FSG-Net: Frequenz-Raum Synergetisches Gated-Netzwerk für die Hochauflösende Fernerkundungsänderungserkennung

FSG-Net: Frequency-Spatial Synergistic Gated Network for High-Resolution Remote Sensing Change Detection

September 8, 2025

papers.authors: Zhongxiang Xie, Shuangxi Miao, Yuhan Jiang, Zhewei Zhang, Jing Yao, Xuecao Li, Jianxi Huang, Pedram Ghamisi

cs.AI

papers.abstract

Die Veränderungserkennung aus hochauflösenden Fernerkundungsbildern stellt einen Eckpfeiler von Erdbeobachtungsanwendungen dar, doch ihre Wirksamkeit wird häufig durch zwei kritische Herausforderungen beeinträchtigt. Erstens sind Fehlalarme weit verbreitet, da Modelle radiometrische Variationen aufgrund zeitlicher Verschiebungen (z. B. Beleuchtung, Jahreszeit) fälschlicherweise als echte Veränderungen interpretieren. Zweitens behindert eine nicht zu vernachlässigende semantische Lücke zwischen tiefen abstrakten Merkmalen und flachen, detailreichen Merkmalen deren effektive Fusion, was zu schlecht abgegrenzten Rändern führt. Um diese Probleme weiter zu adressieren, schlagen wir das Frequency-Spatial Synergistic Gated Network (FSG-Net) vor, ein neuartiges Paradigma, das darauf abzielt, semantische Veränderungen systematisch von störenden Variationen zu trennen. Konkret arbeitet FSG-Net zunächst im Frequenzbereich, wo ein Discrepancy-Aware Wavelet Interaction Module (DAWIM) Pseudoveränderungen adaptiv reduziert, indem es verschiedene Frequenzkomponenten differenziert verarbeitet. Anschließend werden die verfeinerten Merkmale im räumlichen Bereich durch ein Synergistic Temporal-Spatial Attention Module (STSAM) verstärkt, das die Auffälligkeit echter Veränderungsregionen erhöht. Um schließlich die semantische Lücke zu überbrücken, nutzt eine Lightweight Gated Fusion Unit (LGFU) hochrangige Semantik, um entscheidende Details aus flachen Schichten selektiv zu steuern und zu integrieren. Umfassende Experimente auf den Benchmarks CDD, GZ-CD und LEVIR-CD bestätigen die Überlegenheit von FSG-Net und etablieren einen neuen State-of-the-Art mit F1-Scores von 94,16 %, 89,51 % bzw. 91,27 %. Der Code wird nach einer möglichen Veröffentlichung unter https://github.com/zxXie-Air/FSG-Net verfügbar gemacht.

English

Change detection from high-resolution remote sensing images lies as a cornerstone of Earth observation applications, yet its efficacy is often compromised by two critical challenges. First, false alarms are prevalent as models misinterpret radiometric variations from temporal shifts (e.g., illumination, season) as genuine changes. Second, a non-negligible semantic gap between deep abstract features and shallow detail-rich features tends to obstruct their effective fusion, culminating in poorly delineated boundaries. To step further in addressing these issues, we propose the Frequency-Spatial Synergistic Gated Network (FSG-Net), a novel paradigm that aims to systematically disentangle semantic changes from nuisance variations. Specifically, FSG-Net first operates in the frequency domain, where a Discrepancy-Aware Wavelet Interaction Module (DAWIM) adaptively mitigates pseudo-changes by discerningly processing different frequency components. Subsequently, the refined features are enhanced in the spatial domain by a Synergistic Temporal-Spatial Attention Module (STSAM), which amplifies the saliency of genuine change regions. To finally bridge the semantic gap, a Lightweight Gated Fusion Unit (LGFU) leverages high-level semantics to selectively gate and integrate crucial details from shallow layers. Comprehensive experiments on the CDD, GZ-CD, and LEVIR-CD benchmarks validate the superiority of FSG-Net, establishing a new state-of-the-art with F1-scores of 94.16%, 89.51%, and 91.27%, respectively. The code will be made available at https://github.com/zxXie-Air/FSG-Net after a possible publication.