Spacecraft Recovery & Remote Sensing, Volume. 46, Issue 2, 157(2025)
A VHR Remote Sensing Change Detection Model with Structure Prior Perception
Figures & Tables(9)
![[in Chinese]](/Images/icon/loading.gif){kind=icon}
Table 1. The quantitative comparison of the SPP-CD framework and SPPFormer model proposed in this paper and other state-of-the-art benchmark methods on the LEVIR-CD dataset
View tableView in ArticleTable 1. The quantitative comparison of the SPP-CD framework and SPPFormer model proposed in this paper and other state-of-the-art benchmark methods on the LEVIR-CD dataset
分类 方法 参数量 FLOPs 发表 年份 P/% R/% F1/% IoU/% OA/% 注：1）该方法使用 RemoteCLIP[ 20 ] 等遥感大模型的中间输出作为先验对模型进行辅助，采用 Li 等[27 ]所报告的指标数值。2） 基于原方法对编码器部分进行扩展，使得模型能够接受 RGB 和 D 两种模态的影像输入。视觉模态 FC-Siam-conc [ 3 ]1.53×106 21.7×109 2018 91.99 76.77 83.69 71.96 98.49 FC-Siam-diff [ 3 ]1.35×106 18.67×109 2018 89.53 83.31 86.31 75.92 98.67 STANet [ 15 ]12.21×106 26.11×109 2020 83.81 91.00 87.26 77.40 98.66 DTCDSCN [ 25 ]41.07×106 31.38×109 2020 88.53 86.83 87.67 78.05 98.77 SNUNet [ 11 ]3.01×106 22.04×109 2021 92.70 90.04 91.35 84.08 99.08 BIT [ 13 ]8.99×106 45.71×109 2022 91.97 88.62 90.26 82.25 99.03 ChangeFormer [ 14 ]11.60×106 13.95×109 2022 93.00 88.17 90.52 82.68 99.06 Changer [ 26 ]11.40×106 11.83×109 2023 92.86 90.78 91.81 84.86 99.13 HANet[ 27 ]2.63×106 72.40×109 2023 91.73 90.06 90.89 83.29 98.96 CGNet [ 29 ]38.99×106 174.80×109 2023 93.15 90.90 92.01 85.21 99.20 SPPFormer (RGB) 18.69 31.63 — 93.13 90.89 91.99 85.17 99.15 视觉模态+ 先验信息 BAN [ 28 ]1）— — 2024 93.61 91.02 92.30 85.69 — SNUNet (RGBD)2） 5.99 43.35 — 91.49 90.56 91.02 83.52 99.08 ChangeFormer (RGBD)2） 20.96 33.61 — 93.21 87.62 90.33 82.36 99.01 CGNet (RGBD)2） 77.97 349.06 — 92.24 91.23 91.74 84.81 99.11 SPPFormer (RGBD) 18.69 31.63 — 93.31 91.43 92.36 85.81 99.21
Table 2. Ablation study on key submodules in the SPPFormer model
View tableView in ArticleTable 2. Ablation study on key submodules in the SPPFormer model
实验 编号 方法 P /% R / % F1 /% IoU /% 输入 模态 全局 路径 局部 路径 双路径 融合 训练时 增强 训练 设定1） 批次 大小 训练 轮数 注：1）批次大小（Batch Size）代表每一次反向传播前参与计算梯度的等效样本数量，单位为：样本数量 / 步（Number of Samples per Step）。训练轮数（Iterations）代表训练时反向传播次数，单位为：步（Step）。2）Identity 模块保持输入和输出不变，模块中不进行任何操作，是一种占位模块。3）本方法得到的最佳模型结构 SPPFormer。4）最佳模型结构的训练时增强版本。所有增强方法仅在训练时应用，不影响推理过程。 #1 RGB Self-Attention[ 5 ]Identity2） Identity 随机裁剪、随机翻转 16 4,000 90.67 91.90 89.49 83.39 #2 RGB-D Self-Attention Identity Identity 随机裁剪、随机翻转 91.12 91.93 90.34 84.62 #3 CMA Identity Identity 随机裁剪、随机翻转 91.50 92.04 90.97 84.92 #4 CMA LFE Identity 随机裁剪、随机翻转 91.33 92.21 91.92 84.95 #53） CMA LFE PA 随机裁剪、随机翻转 92.03 93.06 92.03 85.25 #64） CMA LFE PA 随机裁剪、随机翻转、随机光度畸变 93.31 91.43 92.36 85.81
Tools
Get Citation
Copy Citation Text
Jiangwei CHEN, Xiaoliang MENG. A VHR Remote Sensing Change Detection Model with Structure Prior Perception[J]. Spacecraft Recovery & Remote Sensing, 2025, 46(2): 157
Paper Information
Category:
Received: Dec. 15, 2024
Accepted: --
Published Online: May. 23, 2025
The Author Email: Xiaoliang MENG (xmeng@whu.edu.cn)
© Copyright 2018-2021 | Chinese Laser Press.
All Rights Reserved 沪ICP备15018463号-20