Bi-temporal semantic change detection of rice disease and lodging based on difference token transformers and cross-branch distillation

方法

差异令牌Transformer建模双时相语义差异，跨分支蒸馏实现分割与变化检测知

发现

方法mIoU达81.90%、Fcsd达93.54%，优于现有语义变化检测方法。

机会点

可探索病害渐进发展早期微弱变化的时序建模，及多作物多胁迫联合检测的泛化能力。

高分辨率遥感影像中的语义变化检测（Semantic Change Detection, SCD）对精准农业至关重要，尤其有助于及时监测作物胁迫。近期研究表明，采用包含两个时相分支和一个变化分支的三分支卷积神经网络（CNN）构建SCD是有效的。然而，现有方法难以区分渐进性病理发展（progressive pathological developments）与正常物候生长（normal phenological growth）。为此，本文引入基于Transformer的时序差异建模模块，通过差异令牌（difference tokens）显式捕捉双时相语义差异，从而有效建模作物状态的细微变化。为进一步增强跨任务一致性，提出跨分支蒸馏策略（cross-branch distillation strategy），促进语义分割分支与变化检测分支之间的双向知识迁移，从而提升特征判别力与训练鲁棒性。在高分辨率农业遥感数据集上的大量实验验证了所提框架的有效性，其mIoU达到81.90%，SeK为69.39%，Acc为91.22%，F_csd为93.54%，优于当前最先进的语义变化检测方法。所提方法为精准农业中的作物生长监测、病害相关变化分析及倒伏评估提供了可靠解决方案。