摘要

变化检测是高分辨率遥感影像中一项关键应用，旨在监测并分析地表随时间演变的动态过程。随着高分辨率遥感数据量的快速增长以及纹理特征的复杂性增加，多种基于深度学习的定量方法应运而生。这些方法通过提取深层特征并融合时空信息，在性能上显著优于传统变化检测技术。然而，关于深层特征如何提升检测性能的合理解释仍较为匮乏。在本研究中，我们发现现代霍普菲尔德（Hopfield）网络层能显著增强模型的语义理解能力。为此，本文提出一种深度监督与特征检索网络（Deep Supervision and FEature Retrieval network, Dsfer-Net），用于双时相变化检测。具体而言，通过全卷积孪生网络联合提取双时相影像的高度代表性深层特征。基于双时相影像的时序地理信息，我们设计了一种特征检索模块，用于提取差异特征，并以深度监督的方式充分利用判别性信息。此外，我们观察到，该深度监督的特征检索模块在深层网络中提供了可解释的证据，表明网络具备良好的语义理解能力。最后，本文提出的端到端网络通过聚合来自不同层次的检索特征与特征对，构建了一个新颖的框架。在三个公开数据集（LEVIR-CD、WHU-CD 和 CDD）上的实验结果表明，所提出的 Dsfer-Net 在性能上优于现有主流方法，验证了其有效性与优越性。