摘要
变化检测是遥感图像分析中一项至关重要且极具挑战性的任务，随着深度学习的快速发展，该领域已取得显著进展。然而，现有的大多数基于深度学习的变化检测方法主要聚焦于复杂的特征提取与多尺度特征融合，却忽视了中间阶段特征的潜在利用不足，导致性能未能达到最优。为此，本文提出一种新颖的框架——RFL-CDNet，通过增强特征学习能力以提升变化检测的性能。具体而言，我们首先引入深度多监督机制，以强化各中间阶段的特征表示，从而充分挖掘骨干网络在每一层级的特征提取潜力。此外，我们设计了粗到细引导（Coarse-to-Fine Guiding, C2FG）模块与可学习融合（Learnable Fusion, LF）模块，进一步优化特征学习过程，获得更具判别性的特征表示。C2FG模块旨在以粗到细的方式，将前一粗尺度的辅助预测结果无缝融合至当前细尺度的预测中；而LF模块则假设各阶段及各空间位置的贡献相互独立，因此设计了一个可学习的融合机制，用于整合多个预测结果。在多个基准数据集上的实验结果表明，所提出的RFL-CDNet在WHU耕地数据集和CDD数据集上达到了当前最优（SOTA）性能，在WHU建筑数据集上取得了第二佳表现。项目源代码与预训练模型已公开，获取地址为：https://github.com/Hhaizee/RFL-CDNet。