摘要

本文介绍了一种名为SeFi-CD的新型变化检测范式，该范式通过优先感知动态语义信息，然后视觉搜索相关的变化特征，从而实现对任意类型变化区域的检测。与传统的视觉优先变化检测（ViFi-CD）方法相比，SeFi-CD能够更有效地适应不同变化区域的变化检测任务，避免了模型重新训练或方法显著修改的需求。基于SeFi-CD范式，研究者设计了“Anything You Want Change Detection”（AUWCD）框架，并在公开数据集上进行了实验，结果显示AUWCD在F1分数上平均超过现有最先进的监督基线方法5.01%，最高达到13.17%的提升。这一创新方法为变化检测领域提供了新的视角和解决方案。

原理

SeFi-CD方法的核心在于首先通过用户提供的文本提示确定感兴趣的变化区域（CRoI）的语义信息，然后在这些语义信息的指导下，视觉搜索并提取相关的变化特征。这种方法的关键优势在于其能够动态地定位和识别变化区域，而不依赖于预先训练的特定变化特征，从而能够灵活适应不同的变化检测任务。此外，SeFi-CD方法利用了多模态视觉语言模型（VLMs）和基础分割模型（FSMs），这些模型能够处理复杂的语义信息和视觉数据，进一步提高了变化检测的准确性和鲁棒性。

流程

SeFi-CD方法的工作流程包括三个主要模块：语义对齐模块、CRoI分割模块和变化检测（CD）模块。首先，语义对齐模块通过文本提示生成视觉提示，用于动态感知变化区域的语义信息。接着，CRoI分割模块基于生成的视觉提示，通过FSMs提取不同时间阶段图像中CRoI的精细掩码。最后，CD模块比较不同时间阶段图像的分割结果，最终得出变化检测结果。例如，在BCDD数据集上，通过输入“iron building house roofs”作为文本提示，SeFi-CD方法能够准确地检测出建筑物的变化。

应用

SeFi-CD方法的应用前景广泛，特别适用于需要高灵活性和准确性的变化检测任务，如灾害评估、环境监测、土地管理和城市变化分析等。由于其能够适应不同类型的变化区域，SeFi-CD方法在未来的遥感技术和地理信息系统中具有巨大的潜力，尤其是在处理大规模和复杂的数据集时。