应众多读者的需求和建议，遥感地理视界创建了学习交流群，想加入交流的可扫描下方二维码添加。请进群后按照群公告备注如“学位-学校(或机构)-昵称”格式（详情请查看公众号置顶推文）。![]()
标题：ChangeRD: A registration-integrated change detection framework for unaligned remote sensing images
期刊：《ISPRS Journal of Photogrammetry and Remote Sensing》(中科院1区Top, IF=10.6)
作者：Wei Jing, et al.
doi：10.1016/j.isprsjprs.2024.11.019
本研究聚焦于遥感图像变化检测（Change Detection, CD），这对于自然灾害评估、城市建筑管理、生态监测等领域至关重要。传统的基于像素级分类的CD模型高度依赖于双时相图像的配准精度，而成像传感器差异、季节变化等因素导致的伪变化常常使得CD地图出现误差。为了解决这些挑战，研究者提出了一个名为ChangeRD的集成配准的变化检测框架，该框架能够探索未配准图像对之间的空间变换关系。具体来说，ChangeRD作为一个多任务网络，监督学习视角变换矩阵和图像间差异区域。研究中提出了自适应视角变换（APT）模块，增强了来自不同层次的Siamese网络的特征的空间一致性。此外，提出了注意力引导的中心差分卷积（AgCDC）模块，以挖掘双时相特征的深层差异，显著减少由光照变化引起的伪变化噪声。通过在未配准的双时相图像上的广泛实验，证明了ChangeRD在定性和定量评估方面优于其他SOTA CD方法。研究使用了三个公开可访问的数据集：LEVIR-CD、WHU-CD和SVCD。LEVIR-CD数据集包含637幅高分辨率图像，每幅图像的分辨率为0.5米/像素，尺寸为1024×1024像素。WHU-CD数据集包含两幅航拍图像，尺寸为32507×15354，空间分辨率为0.3米/像素。SVCD数据集包含16000对真实季节变化遥感图像，每对图像的像素尺寸为256×256，空间分辨率从3厘米到100厘米不等。实验在配备有四块NVIDIA GTX 3090 GPU的服务器上进行，所有模型使用AdamW优化器训练400个周期。学习率采用线性衰减策略，从1e−4开始动态调整。所有比较模型在未配准数据集上使用相同的超参数重新训练。在推理过程中，图像在输入模型之前进行归一化处理，批量大小保持为1。评估指标包括交集比（IoU）、精确度（P）、召回率（R）和F1分数（F1）。实验结果表明，ChangeRD在LEVIR-CD、WHU-CD和SVCD数据集上的表现均优于其他9种SOTA算法。在LEVIR-CD数据集上，ChangeRD的F1分数为91.48%，IoU为84.30%，超过了排名第二的方法。在WHU-CD数据集上，由于场景相对单一且数据量有限，所有方法都表现出不同程度的过拟合，但ChangeRD在F1和IoU综合指标上相比其他方法有显著领先。在SVCD数据集上，ChangeRD的召回率比竞争对手高出7.81个百分点，F1和IoU指标分别高出6.87%和11.87%。此外，通过消融研究，发现APT模块和AgCDC模块对未配准图像的变化检测有显著影响。没有APT模块时，多个建筑在黄色矩形区域内被误分类，而在红色矩形区域内也存在问题。APT模块的加入使F1提高了1.9%，IoU提高了3.14%。AgCDC模块通过提取对光照变化不敏感的判别性差异信息，提高了F1分数0.86%和IoU提高了1.41%。综合来看，ChangeRD通过利用APT和AgCDC模块的优势，减少了空间错位和光照变化对变化检测精度的影响，将基线网络的IoU从79.85%提高到84.30%。
本研究提出的ChangeRD框架通过集成配准和变化检测，同时学习双时相图像对之间的空间变换关系和变化信息。APT模块在变化检测过程中进行特征级配准，减少了空间错位对变化检测任务的影响。AgCDC模块设计用于从双时相特征中提取对光照变化不敏感的判别性差异信息。实验结果表明，ChangeRD在三个公共数据集上的性能超过了9种SOTA方法。然而，作为监督模型，ChangeRD依赖于预配准的双时相图像作为训练数据，这可能限制了其在某些场景下的鲁棒性和适用性。未来的改进方向包括开发基于变形场的无监督配准分支，以解决ChangeRD训练策略中的限制。此外，变化检测的进步也可以促进高度动态场景下图像配准任务的发展，加深这两个领域之间的互补性。未来的工作还可以探索集成先进的机器学习技术，如自监督学习或领域适应，以进一步提高方法在各种实际场景下的鲁棒性和适用性。文章来源 ：
Jing, W., Chi, K., Li, Q., & Wang, Q. (2025). ChangeRD: A registration-integrated change detection framework for unaligned remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 220, 64-74.
免责声明 ：
本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系。
