Com o desenvolvimento da tecnologia de observação terrestre por sensoriamento remoto de alta resolução, os ricos detalhes texturais dos objetos nas imagens aumentam a quantidade de informação, ao mesmo tempo que introduzem ruído de fundo complexo causado por iluminação, sombras e diferenças fenológicas sazonais. Para abordar as falsas detecções causadas por ruído de fundo complexo na detecção de mudanças em sensoriamento remoto de alta resolução, bem como o problema da perda de detalhes de pequenos alvos devido à amostragem tradicional, propõe-se uma rede baseada no desacoplamento de características e refinamento iterativo de resíduos (DIR-Net). Primeiramente, utiliza-se o FastSAM pré-treinado como codificador prior visual para extrair características robustas em múltiplas escalas. Em seguida, projeta-se um módulo de desacoplamento do subespaço de características que, por meio de projeção ortogonal e estratégias de recalibração cruzada, decompõe explicitamente as características das duas fases temporais em um subespaço semântico compartilhado e um subespaço de características diferenciais, suprimindo o ruído ambiental na origem. Por fim, propõe-se um módulo iterativo de refinamento residual que introduz um mecanismo de atenção de coordenadas, modelando o processo de decodificação como um problema de regressão residual do bruto para o fino, restaurando gradualmente os detalhes das bordas de pequenos alvos em um espaço de características com resolução preservada. Os resultados experimentais em três conjuntos de dados públicos LEVIR-CD, WHU-CD e SYSU-CD mostram que o escore F1 do DIR-Net alcançou 91,33%, 93,31% e 86,29%, respectivamente. Comparado aos algoritmos dominantes ChangeFormer e BIT, o escore F1 aumentou em média cerca de 5,0%, com uma redução significativa na taxa de falsos positivos de mudanças simuladas, mantendo uma taxa de recall muito alta. O método resolve efetivamente os problemas de acoplamento de características e perda de detalhes, apresentando maior robustez e maior precisão na localização de limites em cenários complexos.

detecção de mudanças em imagens de sensoriamento remoto;desacoplamento de características;refinamento iterativo residual;aprendizado profundo;DIR-Net;imagens de alta resolução;detecção de pequenos alvos