摘要：遥感影像建筑变化检测需解决两个重要问题:一是双时相影像本身存在的时间依赖性问题;其二是由于建筑物密集分布,阴影效应及各对象之间的相似性导致的特征鉴别问题.该文分析现有处理方案,提出了基于UNet3+网络的边缘引导变换检测网络(Edge-Guided Change Detection Base on UNet3+,EGCD-UNet3+).UNet3+利用全尺度的跳跃连接把来自不同尺度特征图中的深层语义与浅层语义直接结合,从多尺度聚合的特征图中学习层次表示,但是在特征提取时忽略了对象尺度规模,导致感受野与尺度不匹配.因此EGCD-UNet3+首先设计了一种具有自适应感受野的选择性核Block(Selective Kernel Block,SKB)代替UNet3+原始的Block,使影像对在提取深、浅层特征时具有自适应感受野属性.EGCD-UNet3+由编码与解码两部分构成,在编码端利用长短期记忆网络(Long Short-Term Memory,LSTM)捕捉长期依赖关系,建模像素之间的关系上下文,设计差分增强模块(Difference Enhance Module,DEM),分析影像对之间的时间相关性,解决双时相本身存在的时间依赖性问题.在解码端,EGCD-UNet3+提出边缘引导上下文模块(Edge-Guided Context Module,EGCM)进一步改善建筑检测边界的性能,在更细粒度水平上有效提取多尺度空间边缘信息.最后,EGCD-UNet3+利用同时具备像素分割误差和边缘分割误差的复合损失函数,使网络能够充分学习有效的特征进行准确的标签预测.所提模型在LEVIR-CD与WHU-CD数据集上验证,精准率(P)分别达到90.75%、91.75%,召回率(R)可分别增长到96.68%、92.42%,F1-score(F1)分别增加到93.15%、92.08%,总体分割精确度(OA)分别达到99.12%、98.96%,且交并比(IoU)分别增加到83.96%、74.91%.