1. 特征级变化检测 (FB-DLCD)#

• 流程:

  1. 使用预训练的深度网络（如 ResNet）分别提取变化前、后两张影像的深度特征图。
  2. 通过比较两张特征图生成“差异图像”。比较过程通常是计算两个特征向量的距离，距离越近（越相似），在差异图像上颜色越暗（值越小）。
  3. 差异图像是一张灰度图，最后通过阈值分割或聚类等方法，判断灰度值是否超过阈值来确定变化区域，生成最终的变化图。

• 优点:

  • 简单直观，是一种无监督方法，不需要标注样本。

• 缺点:

  • 严重依赖输入图像的质量，对光照、季节变化等“伪变化”敏感。
  • 最终效果好坏严重依赖于阈值的选取，而这个阈值往往难以确定。
  • 没有很好地利用像素周围的上下文信息。

2. 图像块级变化检测 (PB-DLCD)#

• 流程:

  1. 以某个像素为中心，从变化前、后的影像中分别切割出一个小的图像块 (Patch)。
  2. 将这两个图像块成对地输入到一个孪生网络 (Siamese Network) 中。
  3. 让网络学习并判断这对图像块的中心像素点是否发生了变化。

• 优点:

  • 通过输入图像块，有效融合了中心像素的上下文信息。

• 缺点:

  • 需要对每个像素进行一次推断，存在大量冗余计算，浪费了大量的计算资源。

3. 影像级变化检测 (IB-DLCD)#

这是当前变化检测领域的主流方法。

• 流程: 将变化前、后的影像（例如，各3个通道）在通道维度上拼接，形成一个6通道的张量作为统一的输入。然后通过一个 Encoder-Decoder 架构的分割网络，直接端到端地生成一张变化概率的灰度图，最后再通过阈值判断最终结果。

• 主流架构:

  1. 基于 CNN 的架构:
     • 大部分模型使用 Encoder-Decoder 架构。
     • 根据前后影像特征的融合时机，分为早期融合、中期融合和晚期融合。中期融合是现在的主流。
  2. 基于注意力机制 / Transformer 的架构:
     • 注意力机制能帮助模型关注真正重要的特征通道。
     • Transformer 能更好地建立像素间的长程依赖关系，捕获全局上下文。
  3. 混合架构:
     • 将 CNN 和 Transformer 结合，利用 CNN 强大的局部特征提取能力与 Transformer 卓越的全局建模能力。
  4. 学习策略:
     • 也会结合半监督学习等策略，利用少量标签数据和大量无标签数据来提升模型性能。