摘要
变化检测作为遥感领域的一个研究热点，近年来持续取得进展。然而，由于变化区域与背景之间环境要素的复杂性，边界细节的区分仍是一个显著的技术瓶颈：在大范围变化区域中，常出现边界错位现象；而在小范围变化目标中，则容易发生边界连接问题。为解决上述挑战，本文提出一种基于“定位-精炼”策略的新型网络结构——LRNet。LRNet包含两个阶段：定位阶段与精炼阶段。在定位阶段，采用三分支编码器同时提取原始图像特征及其差异特征，实现对各变化区域位置的交互式定位。为减少特征提取过程中的信息损失，本文提出可学习最优池化（Learnable Optimal Pooling, LOP），替代传统广泛使用的最大池化操作。该方法具有可训练性，有助于网络整体性能的优化。为进一步实现不同分支特征的有效交互，并精准定位不同尺度的变化区域，本文设计了变化对齐注意力机制（Change Alignment Attention, C2A）与分层变化对齐模块（Hierarchical Change Alignment, HCA）。在精炼阶段，通过边缘-区域对齐模块（Edge-to-Area Alignment, E2A）对定位阶段的结果进行约束与修正，有效优化变化区域及其边界。随后，解码器结合定位阶段由C2A增强的差异特征，对不同尺度的变化区域进行精细化处理，最终实现变化区域边界的高精度识别。实验结果表明，所提出的LRNet在LEVIR-CD和WHU-CD数据集上，综合评估指标均优于13种现有先进方法，尤其在边界判别精度方面表现最优，验证了其在变化检测任务中的有效性与优越性。