一眼概覽

DiffUCD 提出了一種創新的無監督高光譜影像變化檢測（HSI-CD）方法，利用 語義相關性擴散模型（SCDM） 和 跨時間對比學習（CTCL），在無需標注的情況下提高檢測精度，在多個基準數據集上超越現有方法。

核心問題

高光譜影像變化檢測（HSI-CD）旨在識別同一區域在不同時刻的地表變化。然而，受限于以下挑戰：

? 現有方法依賴大量標注數據，而高質量的人工標注成本高昂。

? 傳統深度學習方法難以有效利用未標注數據，且忽略 光譜-空間語義相關性，易導致偽變化（Pseudo Change）。

? 相同地物在不同時刻因成像條件變化導致光譜特征不一致，影響變化檢測的準確性。

DiffUCD 通過擴散模型的生成去噪能力，結合對比學習，解決這些問題，使無監督 HSI-CD 方法達到接近監督方法的性能。

技術亮點

1. 首個應用擴散模型于 HSI-CD 任務：SCDM 充分利用未標注數據，提取 光譜-空間語義相關特征，減少偽變化影響。

2. 跨時間對比學習（CTCL）：對未變化區域的光譜特征進行對齊，學習 光譜差異不變特征，增強環境變化的魯棒性。

3. 超越 SOTA 無監督方法：在 Santa Barbara、Bay Area 和 Hermiston 三個數據集上，相比最新無監督方法，OA、KC、F1 分別提升 3.95%、8.13%、4.45%，與監督方法性能相當。

方法框架

圖片

DiffUCD 主要包含以下步驟：

1. 語義相關性擴散模型（SCDM）：

? 通過 擴散去噪過程 學習光譜-空間語義特征，減少偽變化的影響。

? 采用 多頭交叉注意力（MCA） 進行深層次特征融合，提高分辨能力。

2. 跨時間對比學習（CTCL）：

   ? 通過 光譜 Transformer 編碼器 和 MLP 結構，對 相同位置的未變化樣本 進行特征對齊。

   ? 采用 對比損失函數 確保模型學習 對環境變化不敏感的光譜特征。

    3. 變化檢測（CD Head）：

   ? 結合 SCDM 提取的光譜-空間特征 和 CTCL 提取的光譜不變特征 進行變化檢測。

   ? 采用 殘差卷積和特征拼接 提高檢測精度。

實驗結果速覽

圖片

DiffUCD 在 Santa Barbara、Bay Area 和 Hermiston 數據集上表現優越。

對比：

? 比 SOTA 無監督方法 高 3.95%~8.13%（KC 指標）。

? 接近監督方法，僅相差 0.12%~1.13%（OA 指標）。

? 可視化結果 顯示檢測區域更準確，偽變化減少（如下圖所示）。

可視化效果（t-SNE & 變化檢測熱圖）

? t-SNE 結果：DiffUCD 提取的特征更加分離，提高類別區分度。

? 變化檢測熱圖：誤檢區域減少，變化區域更清晰。

實用價值與應用

DiffUCD 在多個領域具有廣泛應用價值：

? 土地利用與覆蓋變化檢測（如城市擴張、農業變化監測）。

? 生態系統監測（森林砍伐、濕地變化）。

? 自然災害評估（如洪水、地震、火災后的地表變化檢測）。

? 遙感影像智能分析，減少對人工標注的依賴，提升自動化水平。

開放問題

? 該方法能否泛化到更大規模的高光譜影像數據集，如 Sentinel-2、Hyperion？

? CTCL 機制能否用于其他時間序列分析任務，如氣候變化預測？

? 如何優化擴散模型的計算效率，使其適用于低算力設備？