Dsfer-Net：一种基于现代霍普菲尔德网络的深度监督与特征检索网络用于双时相变化检测

变化检测是高分辨率遥感影像中一项关键应用，旨在监测并分析地表随时间演变的动态过程。随着高分辨率遥感数据量的快速增长以及纹理特征的复杂性增加，多种基于深度学习的定量方法应运而生。这些方法通过提取深层特征并融合时空信息，在性能上显著优于传统变化检测技术。然而，关于深层特征如何提升检测性能的合理解释仍较为匮乏。在本研究中，我们发现现代霍普菲尔德（Hopfield）网络层能显著增强模型的语义理解能力。为此，本文提出一种深度监督与特征检索网络（Deep Supervision and FEature Retrieval network, Dsfer-Net），用于双时相变化检测。具体而言，通过全卷积孪生网络联合提取双时相影像的高度代表性深层特征。基于双时相影像的时序地理信息，我们设计了一种特征检索模块，用于提取差异特征，并以深度监督的方式充分利用判别性信息。此外，我们观察到，该深度监督的特征检索模块在深层网络中提供了可解释的证据，表明网络具备良好的语义理解能力。最后，本文提出的端到端网络通过聚合来自不同层次的检索特征与特征对，构建了一个新颖的框架。在三个公开数据集（LEVIR-CD、WHU-CD 和 CDD）上的实验结果表明，所提出的 Dsfer-Net 在性能上优于现有主流方法，验证了其有效性与优越性。