Mit der Entwicklung der hochauflösenden Fernerkundungstechnologie steigt die Informationsmenge durch reichhaltige Texturdetails in Bildern, es wird jedoch auch komplexes Hintergrundrauschen eingeführt, das durch Beleuchtung, Schatten und saisonale phänologische Unterschiede verursacht wird. Um das Problem von Fehlalarmen aufgrund komplexen Hintergrundrauschens bei der Veränderungserkennung in hochauflösenden Fernerkundungsbildern sowie den Verlust kleiner Zielobjektdetails durch herkömmliches Sampling zu lösen, wird ein Netzwerk basierend auf Merkmalsentkopplung und iterativer Restverfeinerung (DIR-Net) vorgeschlagen. Zunächst wird das vortrainierte FastSAM als visueller Prior-Encoder verwendet, um robuste mehrskalige Merkmale zu extrahieren. Anschließend wird ein Merkmals-Unterraum-Entkopplungsmodul entworfen, das durch orthogonale Projektion und Kreuz-Rekalibrierungsstrategie die bimodalen Merkmale explizit in einen gemeinsamen semantischen Unterraum und einen Differenzmerkmal-Unterraum zerlegt und so Rauschunterdrückung an der Quelle ermöglicht. Schließlich wird ein iteratives Residualverfeinerungsmodul mit Koordinaten-Attentionsmechanismus eingeführt, das den Dekodierungsprozess als ein Problem der Residualregression von grob zu fein modelliert und schrittweise die Randdetails kleiner Ziele im merkmalsbeibehaltenden Auflösungsraum rekonstruiert. Experimentelle Ergebnisse auf den öffentlichen Datensätzen LEVIR-CD, WHU-CD und SYSU-CD zeigen, dass die F1-Werte von DIR-Net 91,33 %, 93,31 % und 86,29 % erreichten. Im Vergleich zu den führenden Algorithmen ChangeFormer und BIT verbesserte sich der F1-Wert durchschnittlich um etwa 5,0 %, wobei die Rate der Fehlalarme bei Veränderungen deutlich reduziert und gleichzeitig eine sehr hohe Rückrufrate beibehalten wurde. Die Methode löst effektiv das Problem der Merkmalskopplung und des Detailverlusts und bietet in komplexen Szenarien eine höhere Robustheit und Genauigkeit bei der Grenzpunktbestimmung.

Veränderungserkennung in Fernerkundungsbildern;Merkmalsentkopplung;iterative Residualverfeinerung;Deep Learning;DIR-Net;hochauflösende Bilder;Erkennung kleiner Ziele