LEVIR-CD建筑变化检测的系统化整合与实证分析：全分辨率分块对性能的决定性作用

《Scientific Reports》：Urban building change detection with satellite imagery: a temporospatial attention Siamese SNUNet-ECAM framework

　　

摘要

基于双时相超高分辨率（VHR）卫星影像的城市建筑变化监测，对于土地利用监测、灾后评估和城市规划至关重要。我们使用了LEVIR-CD数据集，这是一个公开的基准数据集，包含637对1024×1024像素的双时相图像，分辨率为0.5米/像素，采集自美国德克萨斯州20个区域的Google Earth影像，两次采集间隔为5至14年，建筑变化像素比例约为4.6%。本文并非提出新的架构模块，而是系统地将孪生ResNet50编码器、时空交互注意力模块（TIAM）以及SNUNet密集嵌套解码器与集成通道注意力机制（ECAM）整合为一条单一的端到端可训练流水线，并在官方LEVIR-CD数据划分上进行评估。基于受控消融实验得出的核心实证发现是，全分辨率图像分块（相较于缩放）是该基准上影响性能的主要驱动因素，使F1提升了17.11个百分点（73.24%→90.35%）——这一效果是三个架构模块（TIAM +6.83、SNUNet +5.31、ECAM +3.87 F1%）综合贡献的数倍。我们额外记录并报告了三个此前未被发现的训练不稳定现象（Lovász-Hinge损失中的NaN传播、TIAM注意力计算中静默的fp16溢出、以及无渐进式解冻导致的灾难性遗忘）以及解决这些问题的工程修复方案。使用在验证集上选定的决策阈值（0.56，避免了测试集阈值调整和测试集增强），该系统在官方LEVIR-CD测试划分上达到了F1 90.35%、IoU 82.40%、精确率91.70%、召回率89.04%以及总体准确率99.03%——这一结果基本追平而非超越了一个更简单的ResNet-50 U-Net基线（F1 90.38%），并仍然低于ChangeFormer（F1 90.40%）。值得注意的是，我们的模型以比ChangeFormer少得多的参数量实现了相当的绩效，展现了更高的参数效率，且未牺牲预测性能。我们如实报告这一结果，以作为证据表明，在该基准上，正确的预处理可能同样重要于架构的复杂度。