摘要

自动化人工智能算法与遥感仪器的快速发展为变化检测（Change Detection, CD）任务带来了显著进展。然而，在精确检测方面仍有大量研究空间，尤其是在变化特征的边缘完整性以及内部空洞等问题上。为解决上述问题，本文提出了一种名为变化引导网络（Change Guiding Network, CGNet）的新架构，旨在克服以往方法中采用传统U-Net结构时对变化特征表达能力不足的问题，该问题常导致边缘检测不准确及内部出现空洞现象。CGNet通过利用具有丰富语义信息的深层特征生成变化图，并将其作为先验信息，引导多尺度特征融合，从而显著提升变化特征的表达能力。同时，本文设计了一种名为变化引导模块（Change Guide Module, CGM）的自注意力机制，能够有效捕捉像素间的长距离依赖关系，有效缓解传统卷积神经网络感受野受限的问题。在四个主流变化检测数据集上的实验结果验证了CGNet的有效性与高效性。大量实验及消融研究进一步证明了所提方法在提升检测精度方面的优越性能。相关代码将开源，欢迎访问GitHub项目页面：https://github.com/ChengxiHAN/CGNet-CD。