摘要
作为地球观测领域中一项重要且具有挑战性的任务，变化检测（Change Detection, CD）正随着深度学习技术的广泛应用而经历一场技术革新。然而，现有的基于深度学习的变化检测方法仍面临两个显著问题：1）时间建模不完整，以及2）时空耦合。针对上述问题，本文提出了一种更为显式且精细的时间建模方式，并据此构建了一个“图像对到视频”变化检测（Pair-to-Video Change Detection, P2V-CD）框架。首先，从输入的双时相图像对中构建一条富含时间信息的伪过渡视频，将变化检测问题转化为视频理解任务。随后，采用两个解耦的编码器分别进行空间与时间维度上的变化类型识别，并通过横向连接实现二者之间的相互促进。此外，引入深度监督（deep supervision）技术以加速模型训练过程。实验结果表明，P2V-CD方法在视觉效果和各类评价指标上均优于现有主流变化检测方法，同时具备适中的模型规模和相对较低的计算开销。大量特征图可视化实验进一步揭示了本方法的工作机制，其优势不仅体现在对双时相图像的对比分析上，更在于能够有效捕捉和理解变化过程中的动态演化特征。相关源代码已开源，获取地址为：https://github.com/Bobholamovic/CDLab。