С развитием технологий высокоразрешающего дистанционного зондирования Земли, богатые текстурные детали объектов на изображениях повышают информационную емкость, но также вводят сложный фоновый шум, вызванный освещением, тенями и сезонными фенологическими различиями. Для решения проблемы ложных срабатываний, вызванных сложным фоновым шумом при обнаружении изменений в высокоразрешающих данных дистанционного зондирования, а также проблемы потери мелких деталей объектов из-за традиционного выборочного семплирования, предлагается сеть на основе раздельного представления признаков и итеративного уточнения остатков (DIR-Net). Сначала используется предварительно обученный FastSAM в качестве визуального приорного кодировщика для извлечения многоуровневых устойчивых признаков. Затем разработан модуль раздельного подпространства признаков, который с помощью ортогонального проектирования и стратегии перекрестной перекалибровки явно разлагает признаки двух временных фаз на общее семантическое подпространство и подпространство отличительных признаков, подавляя шум среды с самого начала. В конце предлагается модуль итеративного уточнения остатков с механизмом координатного внимания, моделирующий декодирование как задачу регрессии остатков от грубого к точному, что постепенно восстанавливает крайние детали мелких объектов в пространстве признаков с сохранением разрешения. Результаты экспериментов на открытых наборах данных LEVIR-CD, WHU-CD и SYSU-CD показали, что F1-метрики DIR-Net достигли 91,33%, 93,31% и 86,29% соответственно. По сравнению с популярными алгоритмами ChangeFormer и BIT, среднее улучшение F1 составило около 5,0%, что значительно снизило количество ложных срабатываний при изменениях при сохранении очень высокой полноты. Метод эффективно решает проблему сцепленных признаков и потери деталей, обладает большей устойчивостью и более высокой точностью определения границ в сложных сценариях.

обнаружение изменений на изображениях дистанционного зондирования;раздельное представление признаков;итеративное уточнение остатков;глубокое обучение;DIR-Net;высокое разрешение;обнаружение мелких объектов