SeFi-CD: A Semantic First Change Detection Paradigm That Can Detect Any Change You Want

现有的变化检测（CD）方法可以总结为视觉优先变化检测（ViFi-CD）范式，该范式首先从视觉差异中提取变化特征，然后为其分配特定的语义信息。然而，CD本质上依赖于变化感兴趣区域（CRoIs），这意味着CD结果直接由感兴趣的语义变化决定，使其主要的图像因素是感兴趣的语义，而不是视觉。ViFi-CD范式只能将特定的语义信息分配给从视觉差异中提取的特定变化特征，导致潜在CRoIs的必然遗漏，并且无法适应不同的CRoI CD任务。换句话说，如果不重新训练模型或显着修改方法，则无法通过ViFi-CD方法检测其他CRoIs中的变化。本文介绍了一种新的CD范式，即语义优先CD（SeFi-CD）范式。SeFi-CD的核心思想是首先感知感兴趣的动态语义，然后在视觉上搜索与语义相关的变化特征。基于SeFi-CD范式，我们设计了Anything You Want Change Detection（AUWCD）。公共数据集上的实验表明，AUWCD优于当前最先进的CD方法，在SECOND数据集上的平均F1得分比这些先进的监督基线高5.01％，最大增长13.17％。所提出的SeFi-CD提供了一种新的CD视角和方法。

解决问题：论文提出了一种新的变化检测（CD）方法，旨在解决现有ViFi-CD范例中的问题，即CD结果受到语义变化的影响，难以适应不同的CRoI CD任务。

关键思路：该论文提出了一种基于语义的变化检测（SeFi-CD）范例，首先感知感兴趣的动态语义，然后在视觉上搜索与语义相关的变化特征。

其他亮点：该论文设计了Anything You Want Change Detection（AUWCD）方法，并在公共数据集上进行了实验。实验结果表明，AUWCD的性能优于当前最先进的CD方法，平均F1分数比这些先进的监督基线高5.01％，最大增幅为13.17％。该论文提出的SeFi-CD方法提供了一种新的CD视角和方法。

相关研究：最近在这个领域中，还有一些相关的研究，如《Change Detection in Remote Sensing Images Using Conditional Generative Adversarial Network and Spectral–Spatial Information》和《Deep Learning for Change Detection in Urban Areas Using Very High-Resolution Multispectral Data》。