Avec le développement des technologies d'observation terrestre à haute résolution en télédétection, les riches détails texturaux dans les images augmentent la quantité d'informations, mais introduisent également un bruit de fond complexe causé par l'éclairage, les ombres et les différences phénologiques saisonnières. Pour faire face aux fausses détections dues au bruit de fond complexe dans la détection des changements en télédétection à haute résolution, ainsi qu'aux pertes de détails des petits objets causées par l'échantillonnage traditionnel, nous proposons un réseau basé sur le découplage des caractéristiques et le raffinement itératif des résidus (DIR-Net). Tout d’abord, nous utilisons FastSAM pré-entraîné comme encodeur de prior visuel pour extraire des caractéristiques robustes multi-échelles. Ensuite, un module de découplage de sous-espace de caractéristiques est conçu, qui, à l’aide d’une projection orthogonale et d’une stratégie de recalibrage croisé, décompose explicitement les caractéristiques bimodales en sous-espace sémantique partagé et sous-espace des caractéristiques différentielles, supprimant ainsi le bruit environnemental à la source. Enfin, un module de raffinement itératif des résidus est proposé, introduisant un mécanisme d’attention aux coordonnées, modélisant le décodage comme un problème de régression résiduelle progressive du grossier au fin, restaurant progressivement les détails en bordure des petits objets dans l’espace des caractéristiques en conservant la résolution. Les résultats expérimentaux sur les ensembles de données publics LEVIR-CD, WHU-CD et SYSU-CD montrent que les scores F1 du DIR-Net sont respectivement de 91,33%, 93,31% et 86,29%. Comparé aux algorithmes ChangeFormer et BIT dominants, le score F1 s’est amélioré en moyenne d’environ 5,0%, réduisant significativement les faux positifs liés aux changements tout en maintenant un taux de rappel très élevé. Cette méthode résout efficacement les problèmes de couplage des caractéristiques et de perte de détails, offrant une robustesse accrue et une meilleure précision de localisation des frontières dans des scénarios complexes.

détection des changements en télédétection;découplage des caractéristiques;raffinement itératif des résidus;apprentissage profond;DIR-Net;images haute résolution;détection de petits objets