Flow-CDNet: A Novel Network for Detecting Both Slow and Fast Changes in Bitemporal Images

📄 arXiv: 2507.02307v1 📥 PDF

作者: Haoxuan Li, Chenxu Wei, Haodong Wang, Xiaomeng Hu, Boyuan An, Lingyan Ran, Baosen Zhang, Jin Jin, Omirzhan Taukebayev, Amirkhan Temirbayev, Junrui Liu, Xiuwei Zhang

分类: cs.CV

发布日期: 2025-07-03

备注: 18 pages, 8 figures

💡 一句话要点

Flow-CDNet：一种用于检测双时相图像中慢速和快速变化的新型网络

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 变化检测 双时相图像 光流估计 深度学习 多尺度特征 慢速变化检测 快速变化检测 ResNet

📋 核心要点

  1. 现有变化检测方法难以同时有效检测双时相图像中的慢速和快速变化，尤其是在斜坡、水坝等场景中，慢变化往往是重大风险的先兆。
  2. Flow-CDNet通过光流分支提取多尺度位移变化，并与二元变化检测分支结合，实现对慢速和快速变化的同步检测。
  3. 在自建数据集Flow-Change上的实验表明，Flow-CDNet优于现有方法，且消融实验验证了光流分支和二元变化检测分支的互补性。

📝 摘要（中文）

本文提出了一种名为Flow-CDNet的变化检测网络，旨在同时检测双时相图像中的慢速和快速变化。该网络包含光流分支和二元变化检测分支。光流分支利用金字塔结构提取多尺度位移变化，二元变化检测分支则结合基于ResNet的网络和光流分支的输出，生成快速变化输出。为了监督和评估该框架，作者自建了一个名为Flow-Change的变化检测数据集，并设计了结合二元Tversky损失和L2范数损失的损失函数，以及一种名为FEPE的新评估指标。在Flow-Change数据集上的定量实验表明，该方法优于现有方法。消融实验验证了两个分支可以相互促进，从而提高检测性能。

🔬 方法详解

问题定义：论文旨在解决双时相图像变化检测中，现有方法难以同时有效检测慢速和快速变化的问题。传统方法或侧重于显著变化，忽略了潜在的、缓慢的变化，而这些慢变化在某些场景下（如地质灾害监测）至关重要。因此，如何设计一个能够兼顾两种变化尺度的变化检测网络是本文要解决的核心问题。

核心思路：论文的核心思路是利用光流估计来捕捉图像间的位移变化，从而检测慢速变化，并结合二元变化检测分支来识别快速变化。通过将光流信息融入到二元变化检测分支中，可以实现两种变化信息的融合，从而提高整体检测性能。这种双分支结构的设计旨在充分利用不同类型变化的信息，实现互补增强。

技术框架：Flow-CDNet由两个主要分支组成：光流分支和二元变化检测分支。光流分支采用金字塔结构，提取多尺度位移变化信息。二元变化检测分支基于ResNet网络，并融合光流分支的输出，生成最终的变化检测结果。整个流程包括：1) 输入双时相图像；2) 光流分支提取多尺度位移特征；3) 二元变化检测分支提取快速变化特征；4) 融合两个分支的特征；5) 输出变化检测结果。

关键创新：论文的关键创新在于提出了一个双分支网络结构，能够同时检测慢速和快速变化。光流分支的引入使得网络能够捕捉到细微的位移变化，从而提高了对慢速变化的检测能力。此外，作者还提出了一个新的评估指标FEPE，用于更全面地评估变化检测性能。

关键设计：在光流分支中，采用了金字塔结构来提取多尺度特征，以便捕捉不同尺度的位移变化。在二元变化检测分支中，使用了ResNet作为骨干网络，以提取鲁棒的图像特征。损失函数采用了二元Tversky损失和L2范数损失的组合，以平衡精度和召回率。数据集Flow-Change包含了多种类型的变化，并进行了精细的标注，为网络的训练和评估提供了高质量的数据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在自建数据集Flow-Change上的实验结果表明，Flow-CDNet优于现有的变化检测方法。具体来说，Flow-CDNet在FEPE指标上取得了显著的提升，表明其在同时检测慢速和快速变化方面具有优势。消融实验验证了光流分支和二元变化检测分支的互补性，证明了双分支结构的有效性。

🎯 应用场景

Flow-CDNet在多个领域具有潜在的应用价值，例如地质灾害监测（滑坡、泥石流预警）、基础设施安全监测（水坝、尾矿库）、城市变化分析（违章建筑检测、植被覆盖变化）等。通过检测慢速变化，可以提前预警潜在的风险，从而减少损失。该研究成果有助于提升相关领域的智能化水平，为社会安全和可持续发展做出贡献。

📄 摘要（原文）

Change detection typically involves identifying regions with changes between bitemporal images taken at the same location. Besides significant changes, slow changes in bitemporal images are also important in real-life scenarios. For instance, weak changes often serve as precursors to major hazards in scenarios like slopes, dams, and tailings ponds. Therefore, designing a change detection network that simultaneously detects slow and fast changes presents a novel challenge. In this paper, to address this challenge, we propose a change detection network named Flow-CDNet, consisting of two branches: optical flow branch and binary change detection branch. The first branch utilizes a pyramid structure to extract displacement changes at multiple scales. The second one combines a ResNet-based network with the optical flow branch's output to generate fast change outputs. Subsequently, to supervise and evaluate this new change detection framework, a self-built change detection dataset Flow-Change, a loss function combining binary tversky loss and L2 norm loss, along with a new evaluation metric called FEPE are designed. Quantitative experiments conducted on Flow-Change dataset demonstrated that our approach outperforms the existing methods. Furthermore, ablation experiments verified that the two branches can promote each other to enhance the detection performance.