近年来，得益于深度学习技术的不断革新，基于深度学习的变化检测方法取得了飞速发展。然而，在复杂场景的高分辨率遥感图像中，不同时相图像的光照、季节变化和成像角度差异会极大干扰网络对真实变化与伪变化的鉴别，多类别、多尺度的地物也呈现多元分布的特点，为准确定位地物变化和精确检测变化细节带来巨大挑战。为此，南京大学高分辨率遥感实验室提出并验证了一种用于高分辨率遥感图像的变化检测网络FDFF-Net（Full-scale Difference Feature Fusion Network）。该方法通过挖掘双时相图像间多尺度特征差异，聚合全层次差异特征，聚焦变化区域细节信息，实现复杂场景下高精度的变化检测。所提出的FDFF-Net采用典型的编码器-解码器结构（图1）。在编码阶段，通过多个感受野不同的卷积来提取双时相图像同一层次特征之间的多尺度差异，在减少变化区域漏检的同时，消除伪变化。同时，采用全尺度跳跃连接的方式来聚合不同层次的差异特征，使得网络具有检测到多种地物变化的能力。在解码阶段，考虑到小尺度地物的变化的形状特征，将条纹池化融入空间注意力机制中，在离散分布的区域之间建立长距离依赖关系，增强对变化区域细节信息表达。![]()
图1 FDFF-Net的整体架构
通过在CDD、LEVIR-CD和S2Looking三个数据集上设置对比实验进行验证，结果表明所提出的方法有较大的提升（表1、表2和表3），并且可以检测到更完整的地物变化和更清晰的变化地物轮廓（图2和图3）。![]()
![]()
图2 CDD数据集上不同变化检测方法的可视化比较。(a) 前时相图像; (b) 后时相图像; (c) 地表真值变化标签; (d) FC-Siam-diff; (e) STANet; (f) IFN; (g) SNUNet-CD/48; and (h) FDFF-Net
表2 LEVIR-CD数据集上不同方法的变化检测精度对比
![]()
![]()
图3 LEVIR-CD数据集上不同变化检测方法的可视化比较。(a) 前时相图像; (b) 后时相图像; (c) 地表真值变化标签; (d) FC-Siam-diff; (e) STANet; (f) IFN; (g) SNUNet-CD/48; and (h) FDFF-Net
表3 S2Looking数据集上不同方法的变化检测精度对比
![]()
该研究成果近日以“FDFF-Net: A Full-Scale Difference
Feature Fusion Network for Change Detection in High-Resolution Remote Sensing
Images”为题发表于IEEE Journal of Selected Topics in Applied
Earth Observations and Remote Sensing。南京大学地理与海洋科学学院硕士生谷丰为论文第一作者，肖鹏峰教授为论文通讯作者，张学良副教授、博士生李振世和硕士生地⼒夏提·⽊哈塔尔为论文合作作者。该研究得到国家自然科学基金项目（42071297）和中央高校基本科研业务费项目（020914380119）资助。点击“阅读原文”即可跳转到论文页面。
F. Gu, P. Xiao, X. Zhang, Z. Li and D. Muhtar,
"FDFF-Net: A Full-Scale Difference Feature Fusion Network for Change
Detection in High-Resolution Remote Sensing Images," in IEEE Journal of
Selected Topics in Applied Earth Observations and Remote Sensing, vol. 17, pp.
2161-2172, 2024, doi: 10.1109/JSTARS.2023.3335287.![]()
