时间差引导的高光谱图像变化检测网络

目的高光谱图像变化检测在环境监测、土地利用分析及灾害评估等领域具有重要应用价值。然而，现有深度学习方法多在高层或决策阶段进行特征比较，难以充分利用多层级时间差异信息，导致细微变化难以准确捕获，限制检测精度。方法针对上述问题，本文提出时间差引导网络（time-difference-guided network， TDG-Net）。该方法以Vision Mamba为主干构建孪生架构，设计时间存储器模块（time storage module，TSM），基于简化长短期记忆网络（simplified long short-term memory，sLSTM）对双时相高光谱图像多层特征进行时序建模，提取显式时间差特征；进一步通过时域差引导策略将时间差信息转化为空间注意力权重，并以残差方式反馈至多层特征提取网络，实现对变化区域的强化与未变化区域的抑制。同时引入Dice损失函数缓解类别不平衡问题。与近年Mamba-based方法相比，本文核心区别在于通过轻量LSTM在多层级显式建模并引导时间差，而非仅在高层隐式融合。结果在River、Farmland和Hermiston数据集上，所提方法在总体精度（OA）和Kappa系数均优于CVA及自监督高光谱空间–光谱特征方法。其中，River数据集OA为96.54%、Kappa为78.51%；Farmland为95.87%、90.11%；Hermiston为98.21%、91.79%。消融实验表明TSM与时域差引导策略均带来显著提升。结论本文通过显式多层级时间差建模与层次化引导，有效提升高光谱变化检测精度与鲁棒性，在复杂场景下具备良好泛化能力。