AI 变化检测 2026:从 TGS-Net 到开放词汇检测

变化检测的老问题

10-11 那篇讲过：两期影像一对比，差值超过阈值就是变化。传统方法的痛点很实在——伪变化：光照变了、阴影移动、季节物候、辐射偏移，都会制造假差异，阈值调高漏检、调低误报，怎么调都别扭。

2026 年论文在解决什么

第一，伪变化识别。 遥感学报 2026 年刊出的《面向高分辨率遥感影像变化检测的可信差异筛选与结构细化方法》（TGS-Net）直接对着这个问题打：以 ChangerEx 双输入编码-解码为框架，加一层可信差异筛选，把光照、阴影、物候、辐射引起的伪差异在特征层面筛掉；再配合结构细化，修复建筑边界、小目标、狭长区域的破碎问题。核心思路：不是提高阈值，而是让网络学会「哪些差异可信」。

第二，开放词汇检测。 arXiv 2026 年 8 月的 Zero-OVCD 做了一件以前要标数据的事：不预先定义变化类别，模型自己「看懂」变了什么。在 LEVIR-CD、WHU-CD 上 F1 达到 88.65% 和 88.85%，比同批监督方法高。意义在于：训练数据不必为每个区域重新标注「变化类型」。

第三，轻量化与工程化。 遥感学报的《联合遥感影像配准与变化检测的轻量级网络》把「配准」和「检测」放进一个网络——以前两期影像没对齐是检测失败的头号原因，现在一起优化；武汉大学学报基于武汉一号卫星影像的智能变化检测，覆盖建筑、交通、水体、耕地、绿地 5 类典型变化，平均精度比次优方法提升 6.8%。国内业务卫星+深度学习的组合，已经从论文走向了型号应用。

一个框架图记住 2026 的进展

怎么评估一个变化检测模型

落到「该不该用」之前，先看三组指标：

• F1 / IoU
  检出区域和真实变化区域的重合度。Zero-OVCD 报的 88.65% F1 就是在 LEVIR-CD 上按 IoU 阈值算的
• 漏检 vs 虚检
  漏检（真实变化没标出）在违建、灾损场景不可接受；虚检（没变化说成有变化）在地籍场景麻烦。多数网络在两者间折中，看你的业务偏向哪头
• 类别粒度
  只报「变了」还是能报「变了什么」（建筑变绿地）。开放词汇模型能报类别，但类别错误率目前高于二分类——先用二分类看位置，再人工定类别，比直接信类别稳

2026 年变化检测四条线：可信筛选、开放词汇、轻量网络、业务卫星落地

从业者能落地什么

第一步：传统工具先兜底。 小范围、单时相差异明显的场景，10-11 那篇的差值法+转移矩阵仍然够用，成本最低。

第二步：用开源模型跑初稿。 变化检测的开源模型（基于 ChangerEx、Siam 系列的权重）能直接跑两期影像，输出变化图斑；显存 8GB 可推理。跑出来当初稿，人工修边界和误检。

第三步：别急着标注训练。 除非业务区域差异类型特殊（比如只关心违建），否则先评估开源模型表现；模型效果够就微调收敛，不够再考虑自建数据集——自建标注成本远高于预期，能借用预训练就借用。

三个坑

第一个坑：两期影像没对齐，模型再强也白搭。 配准误差会直接变成「变化」输出。用前先检查：同一天获取、传感器一致、已做几何校正；武大学报那篇把配准并进网络，就是在回应这个问题——你自己处理时也要先对齐。

第二个坑：开放词汇≠零成本。 Zero-OVCD 免的是「变化类别标注」，推理还是要基础模型和伪标签流程，本地部署有显存门槛（基础模型编码器通常在 8GB+）。小团队先跑社区微调版。

第三个坑：指标好看≠区域适用。 LEVIR-CD 是城市建筑数据集，F1 88% 不代表在山地、沙漠、农田同样成立。区域换掉，效果先降一半再评估。

小结

2026 年 AI 变化检测的四条线：可信差异筛选（伪变化）、开放词汇（免标注）、轻量级（工程化）、业务卫星（落地）。对从业者，落地路径是「传统差值法兜底 → 开源模型跑初稿 → 人工复核修边界」，并把「AI 输出当草稿」当成默认习惯。变化检测的本质没变——把「哪里变了」找出来；2026 年只是让「找得准、找得快、不用标数据」往前迈了一步。