PGU_CD

基于点的弱监督变更检测用少量稀疏的点标签替代了昂贵的像素级注释，减轻了注释负担，缓解了精确训练样本的稀缺，从而实现高效的模型学习。然而，点注释只提供了稀疏的语义和位置线索，省略了完整的区域和边界划分，从而限制了推广，导致变化覆盖不完整和边界定位错误明显。为此，我们提出了PGU-CD，一种基于点导的不确定性感知框架，用于遥感图像变化检测。具体来说，为了丰富语义和边界信息，我们使用稀疏点注释作为提示，供段任意模型（SAM）生成双时位像素级伪标签。通过应用集合论的交集和并作，我们推导出三类监督方案——无变化、变化和不确定——明确建模语义模糊区域，并减轻SAM分割引入的标记错误。在网络设计方面，我们构建了一个伪标签多类监督网络，具有多尺度特征融合。通过深度整合SAM多尺度表示和双时差信息中的语义和边界线索，网络在尺度泛化与细粒度细节保持之间取得了平衡。最后，我们利用信息熵量化像素级不确定性，并施加不确定性驱动的约束以进一步纠正边界定位偏差和语义预测误差。为验证所提方法，我们在高分辨率遥感数据集LEVIR-CD和WHU-CD上进行了广泛的比较实验。结果表明，我们的方法远超现有主流弱监督变更检测方法，展现出更优越的检测准确率和增强的泛化能力。