中国农业大学土地学院苗双喜副教授团队在高分辨率遥感影像AI变化检测研究中取得新进展
文章导读
当你看着卫星图像上那些细微的变化，却总是分不清是真实的地表变化还是光影干扰时，农大研究团队的最新发现可能会让你重新思考AI的识别逻辑。传统方法总在像素级细节里打转，但苗双喜团队发现，真正影响判断精度的关键不在空间分辨率，而在一个被长期忽略的频率域特征上。这项研究通过频率-空间协同分析，竟然把变化边界的识别精度提升了5个百分点，让耕地监测和国土调查的误判率大幅降低。他们提出的FSG-Net模型在三个公开数据集上F1值均突破89%，但最让人意外的是——这个方法对计算资源的需求反而更低。想知道他们是如何用频率分析破解了遥感影像中最大的伪变化难题吗？
— 内容由好学术AI分析文章内容生成，仅供参考。
近日，土地科学与技术学院苗双喜副教授团队在遥感领域权威期刊IEEE Transactions on Geoscience and Remote Sensing发表论文FSG-Net: Frequency-Spatial Synergistic Gated Network for High-Resolution Remote Sensing Change Detection。该研究聚焦高分辨率遥感影像变化检测中的关键科学问题，提出频率—空间协同门控网络（FSG-Net），为耕地用途变化监测、卫片执法、自然资源调查监测和国土变更调查等业务应用提供了新的技术支撑。
高分辨率遥感影像变化检测是遥感智能解译中的基础任务，其目标是从双时相配准影像中精准识别地表目标的真实变化。随着高分辨率对地观测数据的快速积累，这一任务在获得更丰富地物细节的同时，也面临两方面突出挑战：一方面，光照变化、阴影扰动和季节差异等成像条件变化容易被模型误判为真实变化，从而产生大量伪变化；另一方面，深层语义特征与浅层纹理细节之间存在明显语义鸿沟，导致变化边界刻画不清、定位精度不足。围绕上述难题，研究团队开展了系统攻关。
针对伪变化抑制与边界精细刻画两大核心问题，团队提出了频率—空间协同门控网络（FSG-Net），构建了“频域去伪、空域增强、层级融合”的一体化技术框架。该方法首先设计差异感知小波交互模块（DAWIM），在频率域对双时相特征进行差异化处理，有效削弱低频辐射扰动带来的干扰；随后引入时间—空间协同注意力模块（STSAM），联合建模跨时相上下文信息与空间位置信息，增强真实变化区域的显著性表达；最后提出轻量化门控融合单元（LGFU），利用深层语义对浅层细节进行选择性引导与融合，显著改善复杂场景下变化边界模糊的问题。
实验结果表明，FSG-Net在CDD、GZ-CD和LEVIR-CD三个公开高分辨率遥感变化检测数据集上均取得了优异表现，F1值分别达到94.16%、89.51%和91.27%，总体性能达到同类方法先进水平。研究表明，该方法能够更有效地区分真实变化与成像条件差异引起的伪变化，在复杂场景中展现出较强的鲁棒性与边界刻画能力，为高分辨率遥感变化检测提供了新的方法范式。
该论文第一完成单位为中国农业大学。土地科学与技术学院2023级博士研究生谢中祥为论文第一作者，苗双喜副教授为论文通讯作者，黄健熙教授、李雪草教授等参与了本项研究，合作者还包括中国科学院空天信息创新研究院及德国相关研究机构学者。研究得到国家重点研发计划、中国农业大学“315人才工程”项目和“2115高水平创新团队”建设项目等支持。
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
开源了，赞一个！
耕地监测能用上吗？
看不懂，太专业了😂