SemDINO：用于遥感变化检测的基金会先验引导跨时空语义对齐网络

遥感中的语义变化检测（SCD）旨在识别双时态观测之间的土地覆盖转变，同时抑制由光照变化、季节差异和配准错误引起的伪变化。尽管视觉基础模型（VFM）提供了可转移的语义先验，但由于基础模型表示和特定于任务的空间特征以及时间顺序敏感性之间的不匹配，它们在 SCD 中的应用仍然具有挑战性。为了解决这些问题，本文提出了 SemDINO，这是一种基础先验引导框架，它将可转移视觉基础模型先验与分层卷积表示相结合，以进行跨时空语义推理。具体来说，开发了门控金字塔融合 (PyFu) 模块，以自适应地将基础模型语义与 CNN 空间细节相结合，同时减少域噪声。引入多尺度时间双向Transformer（M-TBTT）来实现对称跨时间特征交互并减轻时间顺序偏差。此外，特征更改增强（FeaCE）流程旨在细化对齐表示并区分真正的语义转换和伪变化。最后，多分支解耦预测头联合生成变化掩模、双时态语义图和边缘约束。跨五个基准数据集的大量实验表明，SemDINO 在语义和二进制变化检测任务上始终优于最先进的方法。结果验证了面向对齐的表示学习对于鲁棒遥感变化分析的有效性。