基于深度学习的遥感变化检测研究综述.docVIP

基于深度学习的遥感变化检测研究综述

一、遥感变化检测技术演进脉络

遥感变化检测的核心目标是识别同一地理区域在不同时间点的地表覆盖状态差异，其技术发展始终与观测手段、数据处理能力的迭代深度绑定。早期传统方法阶段，受限于算力与数据规模，研究主要围绕像素级代数运算展开，差值法、比值法通过直接计算多时相影像的像素值差异生成差异图，再通过阈值分割提取变化区域，这类方法实现简单但对辐射差异、配准误差极为敏感，仅适用于地形平坦、地物类型单一的场景。2000年前后，面向对象的变化检测方法逐渐兴起，该方法先将影像分割为具有语义一致性的对象单元，再提取对象的光谱、纹理、形状特征进行变化判断，有效降低了椒盐噪声影响，但分割尺度的选择高度依赖专家经验，泛化能力不足。

2012年AlexNet在图像分类任务中取得突破后，深度学习技术开始向遥感领域渗透。2014年，研究者首次将卷积神经网络（CNN）应用于遥感变化检测，通过端到端的特征学习替代人工设计特征，在公开数据集上的检测精度较传统方法提升了15%以上，正式开启了深度学习主导的遥感变化检测新时代。2018年以来，随着Transformer架构的成熟，自注意力机制被引入变化检测任务，有效解决了CNN感受野有限、难以捕捉长距离上下文依赖的问题，进一步推动了复杂场景下的检测精度提升。截至2025年，深度学习方法已占据遥感变化检测研究的绝对主流，在城市扩张监测、灾