摘要
变化检测是遥感（Remote Sensing, RS）图像分析中的重要任务，广泛应用于自然灾害监测与评估、土地资源规划等领域。作为一种像素级的预测任务，变化检测对原始空间位置信息的利用极为敏感。近年来的变化检测方法普遍聚焦于深层变化语义特征的提取，却忽视了浅层网络中蕴含的高分辨率与细粒度特征的重要性，这往往导致变化目标边缘像素的不确定性以及小目标检测的漏检问题。本文提出一种用于变化检测的密集连接孪生网络，即 SNUNet-CD（Siamese Network 与 NestedUNet 的结合）。该方法通过编码器与解码器之间、以及解码器与解码器之间的紧凑信息传递机制，有效缓解了神经网络深层中定位信息的丢失。此外，本文还提出一种集成通道注意力模块（Ensemble Channel Attention Module, ECAM），用于实现深层监督。通过 ECAM，不同语义层级中最具代表性的特征得以精炼，并用于最终的分类决策。实验结果表明，所提方法在多项评价指标上均有显著提升，且在精度与计算开销之间实现了优于现有先进（State-of-the-Art, SOTA）方法的平衡。