DOI: https://doi.org/10.1109/tgrs.2025.3650706
تاريخ النشر: 2026-01-01
المؤلف: Shuying Li وآخرون
الموضوع الرئيسي: تصنيف الصور باستخدام الاستشعار عن بُعد
نظرة عامة
يتناول قسم ورقة البحث تطوير إطار عمل جديد لاكتشاف التغيرات في الاستشعار عن بُعد (RSCD) يسمى HA2F، والذي يعالج قيود الطرق الحالية التي تركز إما على الميزات المحلية أو تعالج الصور بالكامل، مما يؤدي إلى تحديات في مطابقة الميزات عبر الزمن وحساسية للضوضاء. يتكون HA2F من مكونين رئيسيين: وحدة معايرة الميزات الهرمية الديناميكية (DHFCM) ووحدة تحسين الميزات المتكيفة مع الضوضاء (NAFRM). تعزز DHFCM المعلومات متعددة المقاييس من خلال دمج الميزات المجاورة بشكل ديناميكي، مما يقلل من التباينات في محاذاة الميزات متعددة الزمن. في الوقت نفسه، تستخدم NAFRM آلية اختيار ميزات مزدوجة لتسليط الضوء على المناطق الحساسة للتغيير وتوليد أقنعة مكانية، مما يقلل بشكل فعال من التداخل من المناطق غير ذات الصلة.
تظهر النتائج التجريبية الواسعة أن HA2F يحقق أداءً متفوقًا على العديد من مجموعات البيانات المرجعية، بما في ذلك LEVIR-CD و WHU-CD و SYSU-CD، متفوقًا على الطرق الحالية من حيث الدقة وكفاءة الحوسبة. تشير النتائج إلى أن كل من DHFCM و NAFRM تسهمان بشكل كبير في فعالية الإطار. يقترح المؤلفون أن تركز الأبحاث المستقبلية على تطوير هياكل شبكية خفيفة الوزن وأطر متقدمة للتعلم شبه المراقب لتقليل الاعتماد على مجموعات البيانات الموسومة الكبيرة لتدريب النماذج.
مقدمة
تضع مقدمة ورقة البحث الأساس للدراسة من خلال توضيح أهمية الموضوع والأسئلة البحثية المحددة التي تم تناولها. تسلط الضوء على الفجوات الموجودة في الأدبيات والحاجة إلى مزيد من التحقيق. يؤكد المؤلفون على أهمية عملهم في تعزيز الفهم داخل هذا المجال ويقترحون إطارًا نظريًا يوجه تحليلهم. يتم ذكر النتائج الرئيسية والأهداف بإيجاز، مما يشير إلى الآثار المحتملة للبحث على كل من النقاش الأكاديمي والتطبيقات العملية. بشكل عام، تؤسس المقدمة مبررًا واضحًا للدراسة ومساهماتها في الجسم المعرفي الحالي.
طرق
يستعرض قسم الطرق نهجين رئيسيين لاكتشاف التغيرات في الاستشعار عن بُعد (RSCD): الطرق المعتمدة على البقع (PB) والطرق المعتمدة على الصور (IB). تستفيد طرق PB من النمذجة المحلية من خلال الشبكات العصبية التلافيفية (CNNs)، مع هياكل ملحوظة مثل تلك التي اقترحها داودت وآخرون و تشين وآخرون، والتي تستخدم الشبكات السيامية وآليات الانتباه المزدوج لتعزيز تمييز الميزات. ومع ذلك، تواجه هذه الطرق تحديات تتعلق بالتعقيد الحوسبي وتوازن العينات، فضلاً عن القيود في المطابقة متعددة المقاييس بسبب تقسيم البقع الثابتة الحجم الذي يعطل الاستمرارية السياقية.
في المقابل، يتم تصنيف طرق IB إلى هياكل قائمة على CNN، وهياكل قائمة على المحولات، وهياكل هجينة. واجهت هياكل CNN الأولية صعوبات في استخراج المعلومات الدلالية، مما دفع إلى تطوير هياكل دمج متوسطة المدى لتعزيز التمثيل الدلالي عبر مراحل الزمن. أظهرت نماذج المحولات، مثل SwinSUNet، تحسينات في قدرات تمثيل الميزات، لكنها لا تزال تواجه مشاكل في كفاءة الحوسبة والحفاظ على التفاصيل. تهدف الابتكارات الأخيرة، بما في ذلك الهياكل الهجينة CNN-Transformer، إلى دمج نقاط القوة في كلا النموذجين، لكنها غالبًا ما تفتقر إلى النمذجة الصريحة للعلاقات الدلالية عبر الزمن، مما يبرز الحاجة إلى آليات تجميع ميزات متعددة المقاييس أكثر فعالية لتقليل تراكم الميزات الزائدة.
نتائج
يقدم قسم النتائج تقييمًا شاملاً للطريقة المقترحة HA2F لاكتشاف التغيرات في الاستشعار عن بُعد (RSCD) من خلال تقييمات نوعية وكمية. نوعيًا، تظهر النتائج المرئية عبر مجموعات بيانات متنوعة قدرة HA2F المتفوقة على التمييز بين الإيجابيات الحقيقية (TP) والسلبيات الحقيقية (TN) والإيجابيات الكاذبة (FP) والسلبيات الكاذبة (FN) تحت ظروف صعبة، مثل التغيرات الكبيرة في استخدام الأراضي والاعتراضات. تحافظ الطريقة بشكل فعال على سلامة القوام بينما تدير التغيرات الموسمية في الغطاء النباتي، مما يظهر قوتها ضد الاضطرابات المختلفة.
كمياً، يتفوق HA2F بشكل كبير على الخوارزميات المنافسة عبر ثلاث مجموعات بيانات: LEVIR-CD و WHU-CD و SYSU-CD. بشكل ملحوظ، على مجموعة بيانات LEVIR-CD، يحقق HA2F درجات F1 و IoU تبلغ 91.61% و 84.51%، على التوالي، متجاوزًا الطريقة الثانية الأفضل، BIT، بنسبة 0.82% و 1.37%. على مجموعة بيانات WHU-CD، يصل HA2F إلى درجات F1 والدقة العامة (OA) تبلغ 95.32% و 99.66%، متفوقًا على RSMamba بنسبة 3.76% و 0.7%. وبالمثل، على مجموعة بيانات SYSU-CD، يحقق HA2F تحسينات بنسبة 5.58% و 1.41% و 3.58% و 5.05% على CDMamba في مقاييس الاسترجاع (R) و OA و F1 و IoU، على التوالي. تؤكد هذه النتائج فعالية HA2F في تجميع الميزات متعددة المقاييس وتعزيز تمثيل الميزات، مما يجعله أداة قوية لمهام RSCD المعقدة.
نقاش
يسلط قسم النقاش في ورقة البحث الضوء على أهمية اكتشاف التغيرات في الاستشعار عن بُعد (RSCD) في مراقبة تغييرات الغطاء الأرضي ودعم التنمية المستدامة. يؤكد على التحديات التي تطرحها الصور عالية الدقة للاستشعار عن بُعد، والتي يمكن أن تؤدي إلى صراعات بين تغييرات فئات الأراضي الكبيرة والتغيرات الهيكلية الدقيقة، مما يؤدي إلى انحرافات في مطابقة الميزات. يصنف المؤلفون الطرق الحالية إلى طرق معتمدة على البقع (PB) وطرق معتمدة على الصور (IB)، مشيرين إلى أنه بينما تستخرج طرق PB الميزات المحلية بشكل فعال، فإنها تواجه صعوبات في الفروقات متعددة المقاييس وحساسية الضوضاء. على العكس من ذلك، تستفيد طرق IB من الهجينة بين CNN والمحولات لتعزيز أداء اكتشاف التغيرات لكنها تواجه تحديات في دمج الهياكل غير المتجانسة بسبب عدم التوافق الدلالي.
لمعالجة هذه القضايا، يقترح المؤلفون إطار عمل جديد يسمى التجميع التكيفي الهرمي (HA2F)، والذي يتضمن وحدتين رئيسيتين: وحدة معايرة الميزات الهرمية الديناميكية (DHFCM) ووحدة تحسين الميزات المتكيفة مع الضوضاء (NAFRM). تهدف DHFCM إلى تحسين دمج الميزات متعددة المقاييس والحفاظ على المعلومات الهيكلية، بينما تركز NAFRM على تحسين مقاومة الضوضاء أثناء دمج الميزات. تم تصميم إطار HA2F لتجميع الميزات متعددة المقاييس بشكل فعال وكبح التغيرات الزائفة، مما يعزز دقة اكتشاف التغيرات في تطبيقات الاستشعار عن بُعد. تختتم الورقة بتوضيح مساهمات الإطار المقترح وإمكانيته في التغلب على قيود الطرق الحالية PB و IB في RSCD.
DOI: https://doi.org/10.1109/tgrs.2025.3650706
Publication Date: 2026-01-01
Author(s): Shuying Li et al.
Primary Topic: Remote-Sensing Image Classification
Overview
The research paper section discusses the development of a novel framework for remote sensing change detection (RSCD) called HA2F, which addresses the limitations of existing methods that either focus on localized features or process entire images, leading to challenges in cross-temporal feature matching and sensitivity to noise. HA2F comprises two main components: the Dynamic Hierarchical Feature Calibration Module (DHFCM) and the Noise-Adaptive Feature Refinement Module (NAFRM). DHFCM enhances multi-scale information by dynamically fusing adjacent-level features, thereby mitigating discrepancies in multi-temporal feature alignment. Meanwhile, NAFRM employs a dual feature selection mechanism to emphasize change-sensitive regions and generate spatial masks, effectively reducing interference from irrelevant areas.
The extensive experimental results demonstrate that HA2F achieves state-of-the-art performance on several benchmark datasets, including LEVIR-CD, WHU-CD, and SYSU-CD, outperforming existing methods in both precision and computational efficiency. The findings indicate that both DHFCM and NAFRM significantly contribute to the framework’s effectiveness. The authors suggest that future research should focus on developing lightweight network architectures and advanced frameworks for integrated semi-supervised learning to reduce reliance on large-scale labeled datasets for model training.
Introduction
The introduction of the research paper sets the stage for the study by outlining the significance of the topic and the specific research questions addressed. It highlights the existing gaps in the literature and the need for further investigation. The authors emphasize the relevance of their work in advancing understanding within the field and propose a theoretical framework that guides their analysis. Key findings and objectives are briefly mentioned, indicating the potential implications of the research for both academic discourse and practical applications. Overall, the introduction establishes a clear rationale for the study and its contributions to the existing body of knowledge.
Methods
The section on methods outlines two primary approaches for remote sensing change detection (RSCD): Patch-based (PB) methods and Image-based (IB) methods. PB methods leverage local modeling through convolutional neural networks (CNNs), with notable architectures such as those proposed by Daudt et al. and Chen et al., which utilize Siamese networks and dual attention mechanisms to enhance feature discrimination. However, these methods face challenges related to computational complexity and sample balance, as well as limitations in multi-scale matching due to fixed-size patch segmentation that disrupts contextual continuity.
In contrast, IB methods are categorized into CNN-based, Transformer-based, and hybrid frameworks. Initial CNN architectures struggled with semantic information mining, prompting the development of mid-term fusion frameworks to enhance semantic representation across time phases. Transformer models, such as SwinSUNet, have shown improved feature representation capabilities, yet still encounter issues with computational efficiency and detail preservation. Recent innovations, including hybrid CNN-Transformer architectures, aim to combine the strengths of both models, but often lack explicit modeling of cross-temporal semantic relationships, highlighting the need for more effective multi-scale feature aggregation mechanisms to mitigate redundant feature accumulation.
Results
The results section presents a comprehensive evaluation of the proposed HA2F method for remote sensing change detection (RSCD) through both qualitative and quantitative assessments. Qualitatively, visual results across various datasets demonstrate HA2F’s superior ability to distinguish between true positives (TP), true negatives (TN), false positives (FP), and false negatives (FN) under challenging conditions, such as large-scale land use changes and occlusions. The method effectively maintains texture integrity while managing seasonal variations in vegetation, showcasing its robustness against various disturbances.
Quantitatively, HA2F significantly outperforms competing algorithms across three datasets: LEVIR-CD, WHU-CD, and SYSU-CD. Notably, on the LEVIR-CD dataset, HA2F achieves F1 and IoU scores of 91.61% and 84.51%, respectively, surpassing the second-best method, BIT, by 0.82% and 1.37%. On the WHU-CD dataset, HA2F reaches F1 and overall accuracy (OA) scores of 95.32% and 99.66%, outperforming RSMamba by 3.76% and 0.7%. Similarly, on the SYSU-CD dataset, HA2F achieves improvements of 5.58%, 1.41%, 3.58%, and 5.05% over CDMamba in recall (R), OA, F1, and IoU metrics, respectively. These results underscore HA2F’s effectiveness in aggregating multi-scale features and enhancing feature representation, making it a powerful tool for complex RSCD tasks.
Discussion
The discussion section of the research paper highlights the significance of Remote Sensing Change Detection (RSCD) in monitoring land cover changes and supporting sustainable development. It emphasizes the challenges posed by high-resolution remote sensing images, which can lead to conflicts between large-scale land class changes and subtle structural changes, resulting in feature matching deviations. The authors categorize existing methods into Patch-based (PB) and Image-based (IB) approaches, noting that while PB methods extract local features effectively, they struggle with multi-scale differences and noise sensitivity. Conversely, IB methods leverage CNN-Transformer hybrids to enhance change detection performance but face challenges in integrating heterogeneous architectures due to semantic misalignment.
To address these issues, the authors propose a novel framework called the Hierarchical Adaptive Aggregation (HA2F), which incorporates two key modules: the Dynamic Hierarchical Feature Calibration Module (DHFCM) and the Noise-Adaptive Feature Refinement Module (NAFRM). The DHFCM aims to improve multi-scale feature fusion and maintain structural information, while the NAFRM focuses on optimizing noise robustness during feature fusion. The HA2F framework is designed to effectively aggregate multi-scale features and suppress spurious changes, thereby enhancing the accuracy of change detection in remote sensing applications. The paper concludes by outlining the contributions of the proposed framework and its potential to overcome the limitations of current PB and IB methods in RSCD.