A spatiotemporal difference-enhancement network with semantic flow alignment for fine-grained cropland change detection

方法

PVT-V2编码器，结合时空双分支差异增强、边界感知与语义流对齐解码。

发现

在三个数据集上IoU均超SOTA，提升1.98%-4.90%，抗干扰与物候适应性强。

机会点

可将语义流对齐思想扩展到多时相作物分类与地块级变化归因，结合物候先验抑制伪变化。

高分辨率遥感影像中耕地变化的精准检测对农业资源监测、土地管理和粮食安全至关重要。现有方法主要面临两个挑战：(1)仅依赖简单的空间或时间差异增强，导致严重的伪变化噪声和误报；(2)固定插值解码过程中边界细节退化，造成细粒度耕地变化检测不足。为解决上述问题，本文提出一种带语义流对齐的时空差异增强网络(STDENet)，用于从高分辨率遥感影像中有效检测耕地变化。STDENet以金字塔视觉Transformer V2(PVT-V2)编码器为基础，集成了三项关键创新：时空双分支差异增强(STDDE)模块，联合捕获时间变化与空间差异，以抑制未变化区域或光谱相似区域产生的无关响应；自适应边界感知(ABA)模块，动态提取四方向纹理线索以增强边界表征；语义流对齐解码(SFAD)模块，预测语义流场以对高层差异特征进行变形，并将其与低层空间细节对齐，从而实现细粒度结构恢复。我们在一个自建数据集DYCD和两个公开基准数据集CLCD与Hi-CNA上对STDENet进行了评估。对比实验证实，STDENet在三个数据集上均持续优于现有最先进方法，在DYCD、CLCD和Hi-CNA上分别较次优方法的IoU提升了3.41%、4.90%和1.98%。通过空间分支增强全局结构信息、时间分支增强局部变化响应，时空交互设计提升了耕地变化的特征可分性。语义流对齐通过为耕地变化斑块中的局部轮廓提供更稳定的解码过程，有助于恢复细粒度细节。STDENet还表现出更强的抗干扰能力，以及对作物生长期、播前和收获后物候变化的更好适应性。大规模应用进一步表明其在不同耕地结构间的泛化能力。