CogVis：开放词表变化检测需要为每个查询重新感知场景吗？

地球表面监测需要能够识别任意语义类别变化的模型。开放词汇变化检测（OVCD）解决了这一需求。然而，现有的方法往往将时间感知、语义分类和区域验证纠缠在一起，导致不稳定的结果和冗余计算。受到人类视觉变化感知启发，我们提出CogVis，一种认知记忆引导框架，将其转化为一个感知-记忆-验证的范式。CogVis首先使用Scene Change Perceptron（SCP）从冻结的双时相特征中提取可复用、类别无关的变化先验，从而解耦时间证据与语义类别决策之间的关系。然后，Semantic Memory Calibrator（SMC）通过动态估计图像查询特定的决策阈值来补偿依赖于类别分数的评分偏差。最后，Adaptive Region Filter（ARF）使用学习到的语义、时间以及结构可靠性来过滤相关的候选者。在七个涵盖语义变化检测、二元变化定位和建筑损伤评估的基准测试中，CogVis在所有评估数据集上实现了最先进的性能。通过共享场景级别的变化感知，CogVis进一步避免了重复地对类别无关的时间感知，在推理吞吐量方面提高了28.50%。