面向高分辨率遥感影像变化检测的空间-频率协同网络SFCNet:结合VMamba线性复杂度全局建模与自适应频域滤波的创新方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Spatial-Frequency Collaborative Network for Remote Sensing Image Change Detection

【字体: 大 中 小 】 时间:2025年12月11日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4

编辑推荐:

  为解决高分辨率遥感影像在复杂地表纹理、光照变化和大气干扰下变化检测精度受限的难题,研究人员开展了"Spatial-Frequency Collaborative Network for Remote Sensing Image Change Detection"主题研究。他们提出SFCNet网络,集成VMamba编码器的线性复杂度全局建模能力与频域去噪增强技术,通过FSIM模块实现空间引导的自适应频率滤波。在LEVIR-CD、WHU-CD和CLCD数据集上分别达到91.17%、94.29%和74.98%的F1分数,显著提升了复杂场景下的检测精度与鲁棒性。

  
随着全球气候变化加剧、城市化进程加速和自然灾害频发,对地表变化信息获取的准确性和时效性需求日益增长。遥感影像变化检测(Change Detection, CD)作为地球观测和环境监测的核心技术,在土地利用监测、城市规划、灾害评估等领域具有广泛应用价值。然而,高分辨率遥感影像中的复杂地表纹理、光照变化和大气干扰等因素,给传统变化检测方法带来了巨大挑战。
现有方法往往难以同时实现噪声抑制、长程依赖建模和计算效率的平衡。卷积神经网络(CNN)虽能有效提取局部特征,但在建模全局语义依赖方面存在局限;基于Transformer的方法虽能捕获长程依赖,但其自注意力机制的计算复杂度随序列长度呈二次增长,处理高分辨率影像时计算开销巨大。此外,大多数现有方法在空间域和频域特征的整合上采用并行或松散耦合方式,缺乏显式的跨域交互,限制了空间语义与频域线索互补优势的充分发挥。
针对这些挑战,昆明理工大学邓荣、蒲云威等研究人员在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了一项创新研究,提出了空间-频率协同网络SFCNet。该网络巧妙结合了VMamba的线性复杂度全局建模能力与频域处理技术,通过三个核心创新模块实现了突破性进展。
研究人员为开展此项研究,主要采用了以下关键技术方法:首先构建了基于VMamba的四阶段编码器,通过SS2D(Selective State Space Model for 2D)模块实现双向扫描的线性复杂度全局上下文建模;其次设计了频率-空间交互模块FSIM,利用空间分支产生的先验信息指导频域分支进行自适应滤波;最后开发了混合池化通道注意力模块HPCAM,通过融合平均池化与最大池化的特征描述符增强变化区域判别能力。实验在LEVIR-CD、WHU-CD和CLCD三个公开数据集上进行,所有输入样本统一处理为256×256像素尺寸。
VSS编码器架构
研究采用基于视觉状态空间模型(Visual State Space Model, VSS)的四阶段编码器结构。每个VSS块包含层归一化、线性投影、深度卷积和SS2D模块,通过水平与垂直方向的双向扫描捕获长程空间依赖。该编码器能够以线性计算复杂度提取从1/4到1/32分辨率的多尺度特征,为后续处理提供丰富的语义信息。
FSIM模块设计
FSIM采用双分支协作设计,空间分支通过3×3卷积、批量归一化和深度卷积提取局部结构模式,生成空间引导向量;频域分支在快速傅里叶变换(Fast Fourier Transform, FFT)基础上,根据空间先验生成调制系数α,构建可学习掩模进行频率选择性调制。该模块通过内容自适应的去噪和细节增强,有效提升了特征表示的鲁棒性。
HPCAM注意力机制
HPCAM嵌入渐进式解码器中,采用混合池化策略同时捕获全局统计信息和局部显著特征。通过融合MLP学习平均池化与最大池化注意力权重的优化组合,在保留跳连接的同时对输入特征进行通道重加权。该机制显著增强了对细微和弱变化区域的检测能力。
多数据集性能评估
在LEVIR-CD数据集上,SFCNet取得了91.17%的F1分数和83.78%的IoU值,优于对比方法WS-Net++的90.81%和83.17%。在WHU-CD数据集上,SFCNet的F1分数达到94.29%,IoU为89.21%,显著超过RS-Mamba的92.58%和86.18%。在最具挑战性的CLCD数据集上,SFCNet仍保持74.98%的F1分数和59.98%的IoU,展现了强大的泛化能力。
视觉结果对比分析
视觉比较表明,早期CNN-based方法存在大量漏检和误检,先进方法虽改善检测完整性但仍存在边界不准确问题。Mamba-based模型产生更干净的结果,而SFCNet在复杂建筑场景中表现出最优的检测一致性,生成的变化图具有更清晰的边界定义和更少的错误检测。
消融实验验证
组件消融实验显示,FSIM贡献最大性能提升,单独移除FSIM使F1分数降至90.67%;HPCAM的移除导致F1分数降至90.82%。频域方法比较中,FFT以91.17%的F1分数优于DCT(90.96%)和小波变换(90.89%)。分支消融表明空间与频域分支具有强协同效应,双分支协作比单分支性能提升0.25个百分点。
计算效率分析
SFCNet在保持卓越性能的同时,仅需34.97M参数和9.65G FLOPs,显著低于Transformer-based方法ChangeFormer(41.03M参数,202.79G FLOPs)和近期Mamba-based方法ChangeMamba(84.70M参数,45.43G FLOPs)。与WS-Net++(237.54M参数)相比,SFCNet以更少资源获得更高精度,体现了优异的计算效率。
研究结论表明,SFCNet通过空间-频率协同域的自适应交互机制,成功实现了高效全局建模与鲁棒噪声抑制的平衡。FSIM模块的空间引导频域滤波策略有效提升了特征判别能力,HPCAM的混合池化注意力机制增强了细节恢复能力。在三个公开基准数据集上的综合实验验证了该方法在复杂场景下的优越性能和泛化能力。
该研究的重要意义在于为高分辨率遥感变化检测提供了一种新的技术范式,通过空间与频域特征的深度协同,克服了传统方法在噪声敏感性和计算效率方面的局限。未来工作可探索该方法在多时序变化检测和更广泛遥感任务中的应用潜力,特别是在需要高效全局建模和鲁棒噪声抑制的场景中展现更大价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号