C2F-SemiCD：一种基于一致性正则化的高分辨率遥感图像粗到精半监督变化检测方法

高精度特征提取模型对于变化检测（Change Detection, CD）至关重要。过去，许多基于深度学习的监督CD方法通过大量标注的双时相图像学习识别变化特征模式，然而，标注双时相遥感图像非常昂贵且耗时；因此，我们提出了一种基于一致性正则化的粗到精半监督CD方法（Coarse-to-Fine Semi-Supervised Change Detection, C2F-SemiCD），该方法包括一个具有多尺度注意力机制的粗到精CD网络（Coarse-to-Fine Network, C2FNet）和一种半监督更新方法。其中，C2FNet网络通过多尺度特征融合、通道注意力机制、空间注意力机制、全局上下文模块、特征细化模块、初始聚合模块和最终聚合模块，逐步从粗粒度到细粒度完成变化特征的提取。半监督更新方法采用了均值教师方法，学生模型的参数通过指数移动平均（Exponential Moving Average, EMA）方法更新到教师模型的参数。通过对三个数据集进行广泛的实验以及细致的消融研究，包括跨数据集交叉实验，我们验证了所提出的C2F-SemiCD方法在有效性和效率方面的显著优势。代码将在以下地址公开：https://github.com/ChengxiHAN/C2F-SemiCDand-C2FNet。