FSG-Net: Rede Sinérgica de Portas Frequência-Espacial para Detecção de Mudanças em Sensoriamento Remoto de Alta Resolução

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

September 8, 2025

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

cs.AI

Resumo

A detecção de mudanças em imagens de sensoriamento remoto de alta resolução constitui um pilar fundamental das aplicações de observação da Terra, mas sua eficácia é frequentemente comprometida por dois desafios críticos. Primeiro, falsos alarmes são comuns, pois os modelos interpretam erroneamente variações radiométricas decorrentes de mudanças temporais (por exemplo, iluminação, estação do ano) como mudanças genuínas. Segundo, uma lacuna semântica não negligenciável entre características profundas e abstratas e características superficiais ricas em detalhes tende a obstruir sua fusão eficaz, resultando em limites mal delineados. Para avançar na resolução desses problemas, propomos a Rede de Portas Sinérgicas Frequência-Espacial (FSG-Net), um novo paradigma que visa separar sistematicamente mudanças semânticas de variações indesejadas. Especificamente, a FSG-Net opera primeiro no domínio da frequência, onde um Módulo de Interação Wavelet Consciente de Discrepâncias (DAWIM) mitiga adaptativamente pseudo-mudanças ao processar seletivamente diferentes componentes de frequência. Posteriormente, as características refinadas são aprimoradas no domínio espacial por um Módulo de Atenção Temporal-Espacial Sinérgica (STSAM), que amplifica a saliência das regiões de mudança genuína. Para finalmente preencher a lacuna semântica, uma Unidade de Fusão de Portas Leve (LGFU) aproveita a semântica de alto nível para selecionar e integrar seletivamente detalhes cruciais das camadas superficiais. Experimentos abrangentes nos benchmarks CDD, GZ-CD e LEVIR-CD validam a superioridade da FSG-Net, estabelecendo um novo estado da arte com F1-scores de 94,16%, 89,51% e 91,27%, respectivamente. O código estará disponível em https://github.com/zxXie-Air/FSG-Net após uma possível publicação.

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.