摘要
高分辨率遥感图像中的变化检测对于理解地表变化具有重要意义。由于高分辨率图像所蕴含的精细细节和复杂纹理特征给传统变化检测方法带来了挑战，因此近年来涌现出大量基于深度学习的变化检测方法，以提升检测性能。尽管当前最先进的基于深度特征的方法在各类深度学习变化检测方法中表现最优，但现有方法中的网络架构大多是在面向单幅图像语义分割任务的原始网络基础上进行修改而来，将其直接迁移至变化检测任务仍存在若干关键问题。本文提出一种深度监督的图像融合网络（IFN），用于高分辨率双时相遥感图像的变化检测。具体而言，首先通过全卷积的双流架构提取双时相图像的高度代表性深度特征；随后，将提取的深度特征输入至一个深度监督的差异判别网络（DDN）中进行变化检测。为提升输出变化图中目标边界的完整性与内部紧凑性，本文采用注意力模块将原始图像的多层级深度特征与图像差分特征进行融合，用于变化图的重建。此外，通过在网络中间层直接引入变化图损失，进一步增强了DDN的性能，整个网络以端到端的方式进行训练。所提出的IFN方法在公开可用的数据集以及一个具有挑战性的多源双时相遥感图像数据集（来自Google Earth，覆盖中国多个城市）上进行了验证。实验结果的视觉判读与定量评估均表明，与文献中四种基准方法相比，IFN能够生成边界完整、内部紧凑的变化区域，显著优于当前最先进的方法。