摘要
对于高空间分辨率（HSR）遥感图像，双时相监督学习一直主导着利用大量成对标注的双时相图像进行变化检测。然而，对大规模双时相HSR遥感图像进行成对标注既昂贵又耗时。在本文中，我们从一个新的视角提出了一种单时相监督学习（STAR）方法，该方法利用未配对图像中的对象变化作为监督信号来进行变化检测。STAR使我们能够仅使用未配对的标注图像训练一个高精度的变化检测器，并将其推广到实际的双时相图像中。为了评估STAR的有效性，我们设计了一个简单而有效的变化检测器——ChangeStar，该检测器通过ChangeMixin模块可以重用任何深度语义分割架构。全面的实验结果表明，在单时相监督下，ChangeStar显著优于基线模型；而在双时相监督下，其性能也更为优越。代码可在https://github.com/Z-Zheng/ChangeStar 获取。