FSG-Net : Réseau à portes synergiques fréquence-espace pour la détection de changements en télédétection à haute résolution

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

La détection de changements à partir d'images de télédétection à haute résolution constitue une pierre angulaire des applications d'observation de la Terre, mais son efficacité est souvent compromise par deux défis majeurs. Premièrement, les fausses alertes sont fréquentes, car les modèles interprètent à tort les variations radiométriques dues à des décalages temporels (par exemple, l'éclairage, la saison) comme des changements réels. Deuxièmement, un écart sémantique non négligeable entre les caractéristiques profondes et abstraites et les caractéristiques superficielles riches en détails tend à entraver leur fusion efficace, aboutissant à des limites mal définies. Pour aller plus loin dans la résolution de ces problèmes, nous proposons le Frequency-Spatial Synergistic Gated Network (FSG-Net), un nouveau paradigme visant à dissocier systématiquement les changements sémantiques des variations parasites. Plus précisément, FSG-Net opère d'abord dans le domaine fréquentiel, où un Discrepancy-Aware Wavelet Interaction Module (DAWIM) atténue de manière adaptative les pseudo-changements en traitant de manière discriminante les différentes composantes fréquentielles. Ensuite, les caractéristiques raffinées sont améliorées dans le domaine spatial par un Synergistic Temporal-Spatial Attention Module (STSAM), qui amplifie la saillance des régions de changement réel. Pour enfin combler l'écart sémantique, une Lightweight Gated Fusion Unit (LGFU) exploite la sémantique de haut niveau pour sélectionner et intégrer de manière sélective les détails cruciaux des couches superficielles. Des expériences approfondies sur les benchmarks CDD, GZ-CD et LEVIR-CD valident la supériorité de FSG-Net, établissant un nouvel état de l'art avec des scores F1 de 94,16 %, 89,51 % et 91,27 %, respectivement. Le code sera disponible à l'adresse https://github.com/zxXie-Air/FSG-Net après une éventuelle publication.

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.