始于足下

SSLChange 框架在下游任务中采用了 Fine-Tuning method with clipped pre-trained encoder 的方式，即将预训练编码器进行裁剪并冻结参数，然后连接一个轻量级的对齐模块，将特征恢复到原始图像的尺寸，并与原始图像进行拼接，作为下游任务网络的输入。或许该方案是针对变化检测框架设计，并设计模块裁剪方案，文中并没采用CV领域经典的自监督预训练框架进行对比，目前大量变化检测算法论文采用默认的imagenet或经典的权重初始化方案进行模型权重的初始化。

文章提出了一种基于去噪扩散概率模型（DDPM）的特征操作变化检测方法。变化检测是计算机视觉中的经典任务，涉及分析不同时间捕获的图像对，以识别场景中的重要变化。现有基于扩散模型的方法主要关注提取特征图，而本文的方法专注于操作扩散模型提取的特征图，使其在语义上更有用。文章提出了两种方法：特征注意力（Feature Attention）和流对齐融合（Flow Dual-Alignment Fusion, FDAF）。

CD技术通过分析同一地理区域在不同时间获取的多时相遥感影像，来识别地面物体的变化。该技术对环境监测、城市扩张与重建以及灾害评估等研究领域具有重要意义。传统BCD主要关注变化区域和非变化区域，无法提供更细致的土地利用和覆盖（Land Use and Land Cover, LULC）变化信息。随着地球观测卫星技术的不断进步，遥感影像的空间分辨率不断提高，使得多类别变化检测（Multi-class Change Detection, MCD）成为研究的热点方向。