Lightweight change detection network integrating feature interaction and fusion

目的利用深度学习开展变化检测是遥感智能解译热点研究方向之一。针对基于Transformer变化检测模型结构复杂、参数过多、训练耗时的问题，设计了一种融合特征交互和融合的轻量级变化检测网络（feature interaction and fusion lightweight network， FIFLNet）。方法解码器中采用EfficientNet作为特征提取网络，其能利用模型的放缩（model scaling）能力来扩大模型的感受野。然后通过设计通道、像素交互模块（spatial and channel interact block）和浅层跳跃连接（low-level skip-connection）来实现浅层双时相的细节特征交互和上采样阶段的传递，以此增加模型对局部特征的判别精度。此外，利用特征融合分组卷积模块（feature fusion and groups convolution block，FFGCB）对双时相数据进行降维融合，降低了模型计算量。最后，设计了融合上采样模块（fusion upsampling block，FUB）对局部特征与全局特征进行融合还原，同时利用局部特征的细节、纹理来补偿全局特征细节的缺失。结果本文方法在两个遥感影像数据集LEVIR-CD（landearth view image retrieval building change detection dataset）和SYSU-CD（Sun Yat-sen University change detection dataset）上与13种SOTA（state-of-the-art）方法进行比较。实验结果表明，本文方法在变化检测任务中展现出显著优势。在定量评估方面，本文方法在LEVIR-CD和SYSU-CD数据集上的F1值分别达到91.51%和82.19%，较现有最优方法分别提升0.43%和1.58%。同时，模型计算效率优异，仅需1.66 GFLOPs的运算量和0.56 M的参数规模，显著低于所有对比方法。在定性分析方面，本文方法展现出更精确的检测区域定位、更低的漏检率，并能够保留更丰富的细节特征。结论本文提出的轻量级变化检测网络FIFLNet以较少的参数量和每秒浮点运算量获得了优越的性能，改善了小目标漏检、边界误检的情况，能够获得高质量的变化检测结果。