摘要

语义变化检测（Semantic Change Detection, SCD）是指在遥感图像（Remote Sensing Images, RSIs）中同时提取发生变化的区域及其变化前后的语义类别，这一任务相较于二值变化检测（Binary Change Detection, BCD）更具意义，因为它能够实现对观测区域的精细化变化分析。以往的研究通常采用三分支卷积神经网络（CNN）架构作为SCD的主流范式。然而，在变化样本数量有限的情况下，如何有效挖掘和利用语义信息仍面临挑战。为此，本文提出一种联合建模时空依赖关系的新方法，以提升SCD的检测精度。首先，我们设计了一种语义变化Transformer模型（Semantic Change Transformer, SCanFormer），显式地建模双时相遥感图像之间的“从—到”语义迁移关系；随后，引入一种语义学习机制，利用与SCD任务内在一致的时空约束条件，引导语义变化的学习过程。所提出的网络结构（SCanNet）在关键语义变化的检测能力以及双时相结果的语义一致性方面，均显著优于基线方法。该方法在两个主流基准数据集上均取得了当前最优（State-of-the-Art, SOTA）的性能表现。