摘要

基于深度学习的遥感（RS）图像变化检测（Change Detection, CD）在学术界已得到广泛研究。通常，该任务被视为一种像素级分类问题，旨在将每个像素划分为“变化”或“未变化”两类。尽管基于编码器-解码器结构的像素级分类网络表现出显著优势，但在不同场景下仍存在边界模糊、目标轮廓不完整等问题。对于高分辨率遥感图像而言，部分或完全发生变化的物体相较于单个像素更值得关注。因此，本文从掩码预测与分类的视角重新审视变化检测任务，提出一种名为MaskCD的新方法，通过自适应地从输入图像对中生成分类掩码来检测变化区域。具体而言，MaskCD引入了一种跨层级变化感知表示模块（Cross-level Change Representation Perceiver, CLCRP），用于学习多尺度的变化感知特征，并通过可变形多头自注意力机制（Deformable Multihead Self-Attention, DeformMHSA）捕捉编码特征中的时空关联。随后，设计了一种基于掩码注意力机制的检测变压器解码器（Masked-Attention-based Detection Transformers, MA-DETR），利用掩码注意力与自注意力机制精确地定位并识别变化对象。该解码器通过将像素级表示解码为可学习的掩码候选，进而从这些候选中做出最终预测，实现对目标变化区域的重建。在五个基准数据集上的实验结果表明，所提出的MaskCD方法在性能上优于现有主流模型。相关代码与预训练模型已公开发布于GitHub（https://github.com/EricYu97/MaskCD），便于学术交流与应用拓展。