Avec le développement des technologies d'observation terrestre par télédétection à haute résolution, les riches détails texturaux des objets dans les images augmentent la quantité d'informations, tout en introduisant également un bruit de fond complexe causé par l'éclairage, les ombres et les différences phénologiques saisonnières. Pour répondre aux fausses détections de changements induites par ce bruit de fond complexe dans la détection de changements en télédétection à haute résolution, ainsi qu'aux problèmes de perte de détails des petits objets causés par l'échantillonnage traditionnel, un réseau basé sur le découplage des caractéristiques et le raffinage itératif des résidus (DIR-Net) est proposé. Tout d'abord, FastSAM pré-entraîné est utilisé comme encodeur de prior visuel pour extraire des caractéristiques multi-échelles robustes. Ensuite, un module de découplage de sous-espace des caractéristiques est conçu, qui, via une projection orthogonale et une stratégie de recalibrage croisé, décompose explicitement les caractéristiques des deux phases temporelles en un sous-espace sémantique partagé et un sous-espace de caractéristiques de différences, supprimant ainsi le bruit environnemental à la source. Enfin, un module de raffinage itératif des résidus est proposé, introduisant un mécanisme d'attention aux coordonnées, modélisant le processus de décodage comme un problème de régression des résidus du grossier au précis, permettant la restauration progressive des détails des bordures des petits objets dans un espace caractéristique à résolution préservée. Les résultats expérimentaux sur les trois ensembles de données publics LEVIR-CD, WHU-CD et SYSU-CD montrent que le score F1 de DIR-Net atteint respectivement 91,33 %, 93,31 % et 86,29 %. Comparé aux algorithmes ChangeFormer et BIT dominants, le score F1 moyen est amélioré d'environ 5,0 %, avec une réduction significative des faux positifs liés aux changements simulés, tout en maintenant un rappel très élevé. Cette méthode résout efficacement les problèmes de couplage des caractéristiques et de perte de détails, offrant une robustesse accrue et une précision de localisation des frontières dans des scénarios complexes.

détection des changements d'images de télédétection;découplage des caractéristiques;raffinage itératif des résidus;apprentissage profond;DIR-Net;images à haute résolution;détection de petits objets