大数跨境

CVPR2026 SOTA|ChangeEye遥感变化检测实战!两期影像自动找出新增建筑、季相干扰不误报、大范围排查提速SOTA

CVPR2026 SOTA|ChangeEye遥感变化检测实战!两期影像自动找出新增建筑、季相干扰不误报、大范围排查提速SOTA AI与计算机视觉
2026-11-07
9
导读:同一块地,上个月还是空地,这个月冒出一栋楼;年初是耕田,年中硬化成了厂房。

同一块地,上个月还是空地,这个月冒出一栋楼;年初是耕田,年中硬化成了厂房。基层执法、耕地保护、工程进度核查,靠人拿着两期卫星图逐块比对,几百平方公里根本看不过来,还容易漏。遥感影像变化检测就是让模型自动回答一个问题:这两张同一地点的不同时期影像,哪里发生了真实变化?

今天分享的这篇 CVPR2026 论文 ChangeEye,面向高分辨率遥感影像的语义变化检测:输入同一地区两个时期的影像,输出一张变化区域掩码,并判断变化类型(新增建筑、植被减少、水面变化等)。在 LEVIR-CD 和 WHU-CD 两个建筑变化检测公开基准上,IoU 指标优于同量级方法,模型支持大图分块推理,适合区县级范围批量排查。

一、遥感变化检测的难点在哪

1.1 变化的定义很窄,干扰一大堆

"变化"不等于"像素不一样"。同一栋楼,春天树绿、秋天叶落,前后两期影像颜色完全不同,但建筑没动——这不是真实变化。而一块空地新盖了车库,面积不大,却是要关注的变化。模型必须把季节、光照、阴影、云影这些"假变化"过滤掉,只保留地物本身的结构性改变。

1.2 两期影像配准误差

两次拍摄的卫星轨道、拍摄角度、成像时间都不同,两期图本身有几像素的错位。直接相减会在所有边缘产生"变化影"。而且地物边界、道路走向本来就是斜的,错位会让建筑边缘被误判成变化。配准精度直接决定变化检测的上限。

1.3 变化区域尺度悬殊

可能是一栋十几平方米的小型违建,也可能是几平方公里的连片开发。大范围影像分辨率有限,微小变化只有几个像素;目标大小差异巨大,对多尺度特征要求高。

1.4 大范围影像内存吃不消

一个县的高分影像动辄几万像素见方,整图读入显存直接爆。必须分块推理再拼回去,而分块边界上的变化容易被切断或产生拼接伪影,这是工程落地的必修课。

二、ChangeEye 的三个核心设计

ChangeEye 的整体思路:先用双时相特征交互建模判断"什么是真变化",再用变化类型分支输出语义,最后通过分块一致推理支撑大范围处理。

2.1 双时相交互特征建模

•双分支编码:两期影像分别过共享权重的编码器,保证特征尺度一致、可对比。

•交叉注意力对比:不简单做特征相减,而是让两期特征互相"查询"——T1 的特征去 T2 里找对应位置,能对上说明没变,对不上说明可能变了。

•变化感知聚合:把差异特征和原始语义特征结合,避免"颜色差异"被误当成变化。

相比简单特征相减,交叉注意力对配准误差更宽容,建筑边缘的"假变化影"明显减少。

2.2 变化类型语义分支

不止回答"这里变了",还要回答"变成了什么":

•变化区域二分类:先定位变化范围(change / no-change)。

•变化前后语义识别:在变化区域内判断前后地物类别,比如"耕地→建筑""植被→裸土"。

•类型组合输出:把"前类别→后类别"的组合结果输出,直接对应"新增建筑""植被退化"这类业务口径。

这样输出的结果可以直接对接业务台账,不用再人工逐块判断变化性质。

2.3 分块一致推理与大图拼接

•重叠分块:大图按带重叠的窗口切片推理,避免变化区域被切在块边界上。

•边界一致约束:相邻块重叠部分的预测结果做加权融合,消除拼接接缝处的伪变化。

•多尺度输入:对疑似小变化区域,用更高分辨率窗口二次推理复核,降低漏检。

三、技术架构拆解

模块

做什么

关键设计

预处理与配准

两期影像对齐、辐射归一

几何配准 + 亮度归一,压制季节与光照差异

双时相编码器

提取两期多尺度特征

共享权重,保证可比性

交叉注意力变化建模

定位真实变化区域

双向特征查询,抑制错位与色差假变化

语义变化分支

判断变化前后地物类型

输出"前类→后类"组合,对应业务口径

工程要点:

•大图处理:带重叠分块 + 边界融合,支持县域级影像批量跑。

•结果输出:变化掩码 + 类型 + 面积统计 + 中心坐标,可直接导出矢量图层供核查。

•人工复核:按变化面积和置信度排序,优先推送高价值可疑图斑。

四、和主流方法的横向对比

在 LEVIR-CD(建筑变化)和 WHU-CD(建筑变化)两个公开基准上对比(IoU/F1 越高越好,数值为示意口径,复现以官方划分为准):

方法

LEVIR-CD IoU↑

WHU-CD IoU↑

参数量(M)

变化类型

FC-EF(早期融合)

0.72

0.68

1.4

无

STANet

0.81

0.76

17

无

BIT

0.83

0.79

23

无

ChangeEye

0.86

0.82

12

前类→后类

对比结论:传统融合方法速度快但错位误报多;BIT 依赖 Transformer 特征交互效果好但重;ChangeEye 用交叉注意力在更低参数量下取得更好 IoU,且额外输出变化语义,业务可用性更强。

五、快速上手:核心推理框架

python
ChangeEye 双时相变化检测核心流程
import torch
import torch.nn as nn

class ChangeEye(nn.Module):
    def __init__(self):
        super().__init__()
        self.encoder = SharedDualEncoder()        # 共享权重编码器
        self.change_head = CrossAttnChangeHead()  # 交叉注意力变化定位
        self.semantic_head = ChangeSemanticHead() # 变化前后语义

    def forward(self, t1_img, t2_img):
        # 1. 两期特征提取(共享权重,保证可比)
        f1 = self.encoder(t1_img)
        f2 = self.encoder(t2_img)

        # 2. 交叉注意对比,定位真实变化
        change_mask = self.change_head(f1, f2)

        # 3. 变化区域内识别前后地物类型
        before_cls, after_cls = self.semantic_head(f1, f2, change_mask)
        return change_mask, before_cls, after_cls

# 大图分块推理
def infer_large_image(model, t1_big, t2_big, patch=512, stride=384):
    result = torch.zeros_like(t1_big[:1])
    weight = torch.zeros_like(result)
    for y in range(0, t1_big.shape[-2], stride):
        for x in range(0, t1_big.shape[-1], stride):
            p1 = crop(t1_big, y, x, patch)
            p2 = crop(t2_big, y, x, patch)
            mask, _, _ = model(p1, p2)
            result = merge_with_weight(result, weight, mask,
                                       y, x, patch)
    return result / weight.clamp(min=1)

# 使用示例
model = ChangeEye().eval()
with torch.no_grad():
    mask, before, after = infer_large_image(model,
                                            load_tif("2025_03.tif"),
                                            load_tif("2025_09.tif"))
    areas = compute_area_stats(mask, pixel_area=0.5)  # 平方米
    print(f"共发现 {len(areas)} 处变化图斑")
    export_shapefile(mask, "change_map.shp")

落地提示:两期影像的时相要尽量接近(同为春季或秋季),能显著降低季相假变化;如果只能跨季比对,务必先用辐射归一化把亮度和色调拉平,再送入模型。

六、毕设/竞赛拓展方向

6.1 违建与耕地非农化排查

把变化检测直接接入国土巡查流程:定期跑两期影像,输出新增建筑图斑清单和面积统计。和基层执法业务贴合,实战价值高。

6.2 施工进度与工程监测

对工地区域做多期序列变化分析,跟踪土方、主体结构的推进节奏,输出进度曲线。从"两期比对"扩展到"多期时序",方法有新意。

6.3 灾害损毁评估

洪水、山火、地震前后影像比对,快速圈定受损范围并估算面积,支撑应急响应。这类场景对时效要求高,轻量模型正好派上用场。

6.4 变化检测结果矢量化与制图

不止输出掩码,还自动转成矢量图斑并叠加到地图底图上,做成交互式核查工具。偏系统与 GIS 结合,适合做完整应用型毕设。

七、写在最后

遥感变化检测的价值不只是"找出变化",更是把人力从"地毯式搜索"转成"重点核查"。基层最缺的就是人手,模型帮他们把几百平方公里的范围压缩成几十个可疑图斑,效率提升非常直接。

ChangeEye 给我的启发是:处理双时相数据的核心不是比差异,而是判断差异里哪些是有意义的。交叉注意力这类"互相查询"的建模思路,比简单相减更接近人比对两张图的直觉。

做毕设的同学如果选这个方向,建议从 LEVIR-CD 这类标准小数据集跑通流程,再拿本地真实两期影像做验证。能讲清"减少了多少人工核查工作量、漏没漏关键图斑",比单报 IoU 更能体现价值。

【声明】内容源于网络
0
0
AI与计算机视觉
专注分享于计算机视觉和人工智能方向相关内容,包括不限于图像分类、目标检测、语义分割、基础编程、面试面经、生活启示录等,欢迎大家关注与学习。
内容 155
粉丝 0
AI与计算机视觉 专注分享于计算机视觉和人工智能方向相关内容,包括不限于图像分类、目标检测、语义分割、基础编程、面试面经、生活启示录等,欢迎大家关注与学习。
总阅读4.1k
粉丝0
内容155