FSG-Net: Frequentie-Ruimtelijk Synergetisch Gated Netwerk voor Hoge-Resolutie Remote Sensing Veranderingsdetectie

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

September 8, 2025

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

cs.AI

Samenvatting

Veranderingsdetectie vanuit hoogresolutie remote sensing-beelden vormt een hoeksteen van aardobservatietoepassingen, maar de effectiviteit ervan wordt vaak ondermijnd door twee kritieke uitdagingen. Ten eerste komen valse alarmen veelvuldig voor doordat modellen radiometrische variaties door temporele verschuivingen (bijvoorbeeld belichting, seizoen) verkeerd interpreteren als echte veranderingen. Ten tweede vormt een niet-verwaarloosbare semantische kloof tussen diepe abstracte kenmerken en oppervlakkige detailrijke kenmerken een belemmering voor hun effectieve fusie, wat resulteert in slecht afgebakende grenzen. Om deze problemen verder aan te pakken, stellen we het Frequency-Spatial Synergistic Gated Network (FSG-Net) voor, een nieuw paradigma dat gericht is op het systematisch ontwarren van semantische veranderingen van storende variaties. Specifiek opereert FSG-Net eerst in het frequentiedomein, waar een Discrepancy-Aware Wavelet Interaction Module (DAWIM) pseudo-veranderingen adaptief vermindert door verschillende frequentiecomponenten onderscheidend te verwerken. Vervolgens worden de verfijnde kenmerken in het ruimtelijke domein versterkt door een Synergistic Temporal-Spatial Attention Module (STSAM), die de salientie van echte veranderingsgebieden versterkt. Om de semantische kloof uiteindelijk te overbruggen, benut een Lightweight Gated Fusion Unit (LGFU) hoogwaardige semantiek om selectief cruciale details uit oppervlakkige lagen te gaten en te integreren. Uitgebreide experimenten op de CDD-, GZ-CD- en LEVIR-CD-benchmarks valideren de superioriteit van FSG-Net, waarbij een nieuwe state-of-the-art wordt gevestigd met F1-scores van respectievelijk 94,16%, 89,51% en 91,27%. De code zal beschikbaar worden gesteld op https://github.com/zxXie-Air/FSG-Net na een mogelijke publicatie.

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.