.png){kind=icon}
返回
ChangeVLM: A Language-Guided Semantic Alignment Framework for Binary Remote Sensing Change Detection
.png){kind=icon}
OA
AI
DOI：10.3390/rs18101671.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在复杂特征和光谱异质性高分辨率遥感影像的背景下，传统方法存在语义理解不足的问题，而现有的视觉-语言变化检测模型则面临效率低、空间定位差和检测-描述流程解耦的问题。为克服这些限制，本文提出ChangeVLM，一种用于二值遥感变化检测的语言引导语义对齐框架，实现端到端、无需提示词、高效率且可解释的变化检测。其关键优势包括：(1) 更高的检测精度，在LEVIR-CD、SYSU-ChangeDet和HRCUS数据集上的F1分数分别达到91.52%、83.56%和75.29%，优于18种当前最优方法；(2) 更强的边缘完整性和小目标检测能力；(3) 实用的部署效率：端到端计算量为560.7G，在优化推理设置下，有效计算量可降至13.05G；(4) 语言引导的语义正则化以增强视觉区分度，无需外部文本提示。非对称融合模块（AFM）、轻量级ChangeHead和变化感知跨模态融合模块（CACMF）共同提升空间精度、效率和可解释性。大量实验验证表明，ChangeVLM实现了卓越的精度-效率权衡。该方法为高分辨率遥感二值变化检测提供了一种有效且可部署的解决方案，其中语言分支仅作为正则化信号发挥作用。
Keyword:
remote sensing change detection
high-resolution remote sensing imagery
vision–language foundation model
deep learning
cross-modal fusion
lightweight model
spatial prior guidance
semantic regularization
期刊
IF:
4.1
论文数:
7.3K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏ChangeCLIP: Remote sensing change detection with multimodal vision-language representation learningChangeCLIP: 具有多模态视觉语言表示学习的遥感变化检测
PREAI
分享收藏分享收藏
查看更多内容