EfficientCD: A New Strategy For Change Detection Based With Bi-temporal Layers Exchanged

随着遥感技术在环境监测中的广泛应用，对自然环境高效准确的遥感图像变化检测（CD）的需求不断增长。我们提出了一种新颖的深度学习框架EfficientCD，专门用于遥感图像变化检测。该框架采用EfficientNet作为其主干网络进行特征提取。为了增强双时相图像特征图之间的信息交换，我们设计了一种针对遥感变化检测的新型特征金字塔网络模块ChangeFPN。此外，为了充分利用解码阶段的多层特征图，我们开发了一种逐层特征上采样模块，结合欧几里得距离来改善解码阶段的特征融合和重建。EfficientCD已在四个遥感数据集LEVIR-CD、SYSU-CD、CLCD和WHUCD上进行了实验验证。实验结果表明，EfficientCD在变化检测准确性方面表现出色。代码和预训练模型将在https://github.com/dyzy41/mmrscd上发布。

本论文旨在解决自然环境遥感图像变化检测的需求，提出了一种名为EfficientCD的深度学习框架。

EfficientCD框架采用了EfficientNet作为特征提取的骨干网络，并设计了针对遥感变化检测的Feature Pyramid Network模块和层次特征上采样模块，以提高特征融合和重建的效果。

论文在四个遥感数据集上进行了实验验证，结果表明EfficientCD表现出了出色的变化检测准确性。论文作者将代码和预训练模型开源在GitHub上。

近期的相关研究包括《A Survey of Deep Learning for Remote Sensing: Theories and Applications》、《Deep Learning for Remote Sensing Data: A Technical Tutorial on the State of the Art》等。