摘要
遥感图像变化检测（Remote Sensing Image Change Detection, RSCD）的目的是识别同一地理位置在不同时相获取的双时相图像之间的差异。深度学习技术已被广泛应用于RSCD任务，并在结果识别方面取得了显著成效。然而，由于卫星拍摄角度、薄云影响以及特定光照条件等因素，当前的RSCD算法在处理部分遥感图像中变化区域边缘模糊的问题时仍存在局限性。为解决这一问题，本文提出了一种新型模型——基于特征聚合的体部分离多尺度变化检测方法（Body Decouple Multi-Scale by Feature Aggregation, BD-MSA）。该模型在训练与预测阶段，同时从特征图的通道维度和空间维度上融合全局与局部特征信息，有效实现了对变化区域边界信息的精准提取，同时将变化区域的主体结构与其边界进行解耦分离。大量实验表明，在公开数据集DSIFN-CD、S2Looking和WHU-CD上，本文所提出的BD-MSA模型在各项评估指标和整体检测效果方面均优于现有其他主流模型，表现最佳。