摘要
变化检测（CD）是一种重要的地球观测技术，用于捕捉地物的动态信息。随着深度学习的兴起，卷积神经网络（CNN）在变化检测中展现出巨大的潜力。然而，当前的CNN模型引入了主干架构，在学习过程中会丢失详细信息。此外，现有的CNN模型参数量较大，这阻碍了它们在无人机等边缘设备上的部署。为此，我们提出了一种区域细节保留网络——RDP-Net，以解决这一问题。我们设计了一种高效的训练策略，在CNN训练的预热阶段构建训练任务，并让CNN从简单到复杂逐步学习。这种训练策略使CNN能够在较少的浮点运算次数（FLOPs）下学习到更强的特征，从而实现更好的性能。接下来，我们提出了一种有效的边缘损失函数，增加了对细节错误的惩罚力度，提高了网络对边界区域和小面积等细节的关注度。此外，我们提供了一个具有全新主干架构的CNN模型，在仅包含1.70百万参数的情况下达到了变化检测领域的最先进水平。我们希望RDP-Net能够促进紧凑型设备上的实际变化检测应用，并激励更多人通过高效的训练策略将变化检测提升到新的水平。代码和模型已在https://github.com/Chnja/RDPNet 公开发布。