GSMFA-net：一种用于实现轻量高效遥感图像变化检测的全球语义引导多尺度特征聚合网络

《Image and Vision Computing》：GSMFA-net: Global semantic-guided multi-scale feature aggregation network for lightweight and effective remote sensing image change detection

　　康刘|薛晓荣|李翔 中国辽宁省辽宁工业大学电子与信息工程学院 摘要 从多时相遥感影像中识别地表变化对于灾害监测、土地利用监控以及城市扩张评估等任务而言至关重要。尽管基于深度学习的方法显著提升了检测精度，但其高昂的计算成本和庞大的模型规模限制了其在资源有限的卫星及无人机上的实际应用。为解决这些难题，我们设计了GSMFA-Net，这是一种具有轻量级架构的高效模型。该模型以MobileNetV2作为核心结构，并整合了三个关键模块：用于跨尺度特征强化的密集特征增强模块（DFEM）、用于构建稳健上下文模型的全局语义聚合模块（GSAM），以及用于实现自注意力驱动、兼具语义一致性的多尺度融合的引导融合模块（GFM）。在三个公开基准测试上的评估表明，GSMFA-Net在仅拥有3.28百万个参数和4.78吉次浮点运算量的情况下，仍能展现出出色的检测性能，实现了效率与精度之间的良好平衡。定性对比进一步证实了该模型能够检测小规模且结构复杂的变更，同时有效抑制误报。总体而言，本研究展示了GSMFA-Net作为在严格资源约束条件下实现高精度、高效遥感变化检测的实用解决方案的潜力。引言 遥感变化检测是通过分析不同时期拍摄的影像来揭示地球表面变化的技术。它是自然灾害监测[1]、土地利用动态分析[2]、城市扩张评估[3]以及生态环境监测[4]等领域中的基础技术。尽管具有重要意义，但由于复杂的背景、光照与季节变化、观测视角差异，以及大量边界易模糊的小型或细长结构的存在，实现高精度的变化检测仍然面临挑战。这些因素常常导致虚假变化和不完整的变化掩膜，使得在实际应用中难以同时实现高精度与强泛化能力。早期的变化检测方法主要依赖手工设计的特征以及图像差分[5]、主成分分析[6]、变化向量分析[7]、慢特征分析[8]等后处理策略。虽然这些方法计算效率高，但表征能力有限，且通常对噪声和场景复杂性较为敏感。随着深度学习的发展，卷积神经网络成为变化检测领域的主流技术。基于CNN的连体网络架构能够从双时相影像中学习分层特征，并在多个阶段进行特征差分或融合，从而大幅提升性能。然而，由于卷积操作固有的局部性以及其对长距离依赖关系的建模不足，基于CNN的变化检测模型在保持精细边界的同时维持语义一致性方面可能存在困难，尤其是在具有大规模变化和复杂纹理的高分辨率场景中。近期，基于Transformer的模型被引入变化检测领域，以增强长距离依赖关系建模和全局上下文推理能力。通过利用自注意力机制，这类模型能够更好地捕捉全局语义关联，并在多项基准测试中展现出优异性能。不过，这种全局建模往往伴随着较高的计算和内存成本，限制了其在卫星/无人机 onboard推理、边缘设备以及对时间敏感的大范围监测等资源受限场景中的应用。表3中SYSU-CD对比实验便体现了这种精度与效率之间的权衡：例如，ChangeFormer[9]拥有41.03百万个参数和202.80吉次浮点运算量，却仅能达到78.20%的F1值和64.20%的IoU值。相比之下，高效的部署需要能够在严格的延迟、功耗和内存限制下依然保持竞争力精度的模型。为解决精度与效率之间的矛盾，轻量级变化检测方法越来越受到关注。诸如TinyCD[10]和A2Net[11]等代表性轻量级模型表明，通过从早期特征中挖掘细微差异，或借助注意力引导逐步聚合多级特征，能够显著提升效率。然而，它们的设计目标与信息流与我们提出的方案有所不同。TinyCD[10]侧重于快速实现浅层差异挖掘，但其以浅层特征为主的处理流程可能无法充分利用深层语义线索，从而导致在复杂背景下物体级变化识别不完整。A2Net[11]则通过逐步特征聚合和监督式注意力机制提升表征能力，但它并未明确构建全局语义先验，因此无法在解码过程中始终保证语义一致性。在本研究中，我们并非主张卷积或跨尺度融合等单个操作的创新性，而是聚焦于如何通过明确构建全局语义先验，并将其用于引导多尺度特征融合，从而在紧凑型骨干网络的限制下系统性地弥补语义层面的不足。具体而言，我们将GSMFA-Net定义为一种基于紧凑型骨干网络的全局语义引导多尺度特征聚合框架，该框架由三个紧密耦合的组件构成：(i)密集特征增强模块（DFEM），它在轻量级约束下通过密集强化跨尺度表征，提升多级特征质量；(ii)全局语义聚合模块（GSAM），它以较低的计算开销聚合高层语义，形成明确的全局语义先验；(iii)引导融合模块（GFM），它利用这一语义先验引导自注意力驱动的从粗到细的逐步融合过程。这种“全局先验→引导融合”的机制旨在缩小不同特征层级之间的语义差距，减少解码过程中的冗余响应，进而提升变化掩膜的语义一致性和边界精度。我们的实验结果（见表3）也为这种设计的必要性提供了定量支持。在SYSU-CD任务上，GSMFA-Net仅拥有3.28百万个参数和4.78吉次浮点运算量，就能达到83.40%的F1值和71.53%的IoU值，表明在紧凑型骨干网络架构下，精度与计算开销之间实现了良好平衡。这些结果促使我们采用明确构建全局语义先验并借助其引导逐步融合的方法，以实现轻量级且高精度的变化检测。基于上述思路，我们的目标是研究是否可以通过明确构建轻量级全局语义先验，并利用它引导从粗到细的多尺度融合，有效弥补紧凑型骨干网络的语义缺陷，从而在保持低计算成本的同时缩小与那些采用复杂全局建模网络的精度差距。为回答这些问题，我们在LEVIR-CD、WHU-CD和SYSU-CD三个公开基准测试上开展了大量实验。实验结果表明，GSMFA-Net在保持较低模型复杂度的同时仍能实现具备竞争力的检测精度，证明了其在严格计算约束条件下的实际应用价值。本研究的主要贡献如下：1. 我们将GSMFA-Net定义为一种基于紧凑型骨干网络的全局语义引导多尺度特征聚合框架，该框架能够实现局部细节与全局语义的有效协同，同时保持良好的精度与效率平衡。2. 我们提出了一种密集型跨尺度强化策略（通过DFEM实现），该策略通过促进浅层边界/纹理线索与深层语义特征之间的相互作用，增强联合特征表征能力，从而弥补轻量级骨干网络的能力局限。3. 我们引入了明确的全局语义先验（通过GSAM实现）以及基于先验的融合机制（通过GFM实现），这两种机制将语义引导与自注意力驱动的从粗到细融合相结合，有效缩小语义差距、抑制冗余响应，进而提升结构完整性和边界精度。4. 在LEVIR-CD、WHU-CD和SYSU-CD这三个广泛使用的基准测试上的大量实验表明，GSMFA-Net在参数量和浮点运算量较低的情况下仍能实现具备竞争力的检测精度，证明了其在资源受限场景下的实用性。本文其余结构如下：第2节回顾相关研究，第3节介绍所提出的方法，第4节展示实验评估与分析结果，第5节讨论研究结论，第6节总结全文。章节节选 传统变化检测方法 早期的变化检测方法主要依靠手工设计的低级特征来识别发生变化的区域。这些方法可分为两大类：代数方法和变换方法。代数方法通常通过图像差分[5][12]、图像回归[13][14][15][16]或变化向量分析（CVA）[7]等技术生成差异图。然而，这类方法往往依赖于适当的阈值选择，对噪声较为敏感，且表现能力有限。方法论 本节首先介绍为变化检测设计的轻量级框架的整体结构，随后详细阐述其主要模块，包括密集特征增强模块（DFEM）、全局语义聚合模块（GSAM）以及引导融合模块（GFM）。实验部分首先介绍三个公开数据集以及用于评估的指标，接着说明实验设置与参数配置，再介绍对比方法。最后，通过定量分析和定性可视化结果对所提出的网络进行全面评估。消融分析 为更清晰地了解各组件的作用及其交互效应，我们通过逐步在基线模型中加入DFEM、GSAM和GFM来进行消融实验。表5汇总了各项量化结果，其中列出了每种模块配置的参数量、浮点运算量、F1值和IoU值，用于评估精度与效率。总体而言，在各类数据集上，引入任意单个模块都能带来相较于基线的稳定性能提升，证明了各设计选择的有效性。结论 本研究提出了GSMFA-Net，这是一种专为遥感变化检测设计的轻量级网络，旨在在保持计算效率的同时实现高精度检测。GSMFA-Net的设计注重利用全局语义线索促进多尺度特征融合，从而提升变化区域的语义一致性和边界精度。为此，该网络整合了三个定制化的模块。首先，密集特征增强模块（DFEM）能够提升……CRediT作者贡献声明 康刘：撰写——初稿、验证、软件开发、方法设计、研究实施、形式分析、概念构思。薛晓荣：撰写——审阅与编辑、验证、监督、资金获取、概念构思。李翔：可视化处理、验证、资源协调、项目管理、数据整理。伦理声明 我们作为作者声明，本手稿为我们的原创作品，尚未在其他地方发表或提交发表，所有作者均同意其发表。利益冲突声明 作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢 作者衷心感谢那些慷慨提供本研究所需数据集的研究人员。本研究得到了辽宁省科技计划项目（项目编号2021JH2/10200023）以及辽宁省教育厅基础科学研究项目（项目编号LJZZ212410154029）的支持。