武大钟燕飞团队等提出AnomalyCD：基于无监督异常定位的灾害检测模型

点击下方卡片关注“CVer”公众号AI/CV重磅干货第一时间送达点击进入—【顶会/顶刊】投稿交流群添加微信号CVer2233小助手拉你进群扫描下方二维码加入CVer学术星球可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料及应用发论文/搞科研/涨薪强烈推荐转载自遥感与深度学习题目Unsupervised anomaly localization with high-resolution and time-series satellite imagery: from global disaster dataset to zero-shot model via SAM期刊ISPRS Journal of Photogrammetry and Remote Sensing论文https://doi.org/10.1016/j.isprsjprs.2026.04.027数据GDL全球尺度灾害定位数据集已公开代码https://github.com/Jingtao-Li-CVer/AnomalyCD年份2026单位武汉大学创新点提出了一种无监督异常变化检测新范式利用多时相历史影像区分异常变化灾害损毁与正常变化周期性人类活动或成像条件变化无需任何损毁标注。构建了全球尺度灾害定位数据集 GDL涵盖六种灾害类型和六种损毁类型具有多时相3–7步、高分辨率0.15–2.39 m和大覆盖面积共 2052.82 km²等特点。提出 AnomalyCD 零样本模型通过设计特征-掩膜交互适配机制将单时相基础模型 SAM 迁移至多时相变化检测任务无需任何训练即可直接处理新场景。设计两阶段定位架构第一阶段利用最新双时相影像检测所有变化第二阶段引入历史影像过滤正常变化兼顾精度与计算效率。背景灾害损毁变化检测对于灾后快速人道主义响应至关重要但由于灾害场景城市、山地、农村等与损毁对象建筑、道路、农田等种类繁多且难以预测实现通用的灾害定位面临巨大挑战。现有监督模型依赖大量高质量标注泛化能力有限无监督变化检测模型虽省去标注成本但会将所有变化包括周期性人类活动、成像角度差异等正常变化误判为灾害损毁产生大量虚警。高分辨率卫星的回访周期较长相邻影像间隔往往达数月乃至数年正常变化频率因此偏高进一步加剧了无监督方法的虚警问题。研究者发现历史时序影像可为正常变化提供自然参考——若某一变化模式在历史影像中曾出现过则可认定为正常变化真正的灾害损毁则表现为历史影像中从未出现的异常变化无需额外人工标注即可实现损毁感知。数据GDLGlobal-scale Disaster Localization Dataset数据来源与规模影像来源于 Google Earth 平台包含 QuickBird、GeoEye-1 和 WorldView 系列卫星空间分辨率为 0.15–2.39 m/像素共收集 100 个区域80 个灾害事件区域 20 个正常区域总覆盖面积 2052.82 km²灾害与损毁类型涵盖六种灾害类型爆炸18 区域、坍塌9 区域、山体滑坡17 区域、火灾16 区域、溃坝9 区域及其他11 区域损毁对象包含建筑、道路、植被、农田等多种类别不限定特定对象类型时序特性每个区域包含 3–7 个时间步的影像多数区域有 4–5 个时间步是目前高分辨率变化检测数据集中时间步数最多的相邻影像时间间隔多为 6–18 个月标注规范由 4 名标注员和 2 名审核员按统一标注规范完成仅标注具有高置信度的主要级别或毁坏级别损毁同时提供灾害区域的土地利用类别标注以支持综合分析方法无监督异常变化检测范式问题定义将灾害定位重构为异常变化检测问题正常变化由历史影像提供参考灾害损毁对应历史影像中从未出现的异常变化模型接受任意数量时间步的影像作为输入无需针对不同场景重复训练实现跨场景零样本迁移AnomalyCD 两阶段架构第一阶段双时相变化检测检测所有变化 N 和 D特征-掩膜交互适配利用 SAM 提取单时相影像的骨干网络特征与对象级分割掩膜将每个分割对象的二值掩膜映射为特征向量通过余弦距离度量双时相对象特征差异生成对象级变化分数图避免像素级比较引入的配准误差噪声双向结果融合以后时相掩膜为参考检测对象消失以前时相掩膜为参考检测对象出现取像素级最大值融合两个方向的变化图以 70% 分位数阈值二值化保留变化对象的同时降低第二阶段的计算量第二阶段历史影像过滤正常变化筛选真正的异常变化 D多时相异常分数计算对第一阶段输出的每个变化对象在所有历史时间步中提取对应的对象特征向量计算后时相特征与所有历史时相特征的余弦距离取最小值作为异常变化分数——若某对象在任意历史影像中曾出现则异常分数低判定为正常变化输出像素级异常定位图经阈值 τ 二值化区域级异常评分用于判断该区域是否发生过灾害事件结果与分析AnomalyCD 在 GDL 数据集上以零样本方式超越了所有对比无监督方法F1 指标相较最优无监督基线提升约 7 个百分点证明了引入历史时序影像过滤正常变化的有效性。在特定损毁类型上AnomalyCD 的表现接近专为该类型训练的有监督专用模型体现了其在无需任何训练的情况下实现通用灾害定位的潜力。更多图表分析可见原文本文系学术转载如有侵权请联系CVer小助手删文何恺明在MIT授课的课件PPT下载在CVer公众号后台回复何恺明即可下载566页课件PPT大家赶紧学起来CVPR 2026 所有论文和代码下载在CVer公众号后台回复CVPR2026即可下载CVPR 2026 所有论文和代码CV垂直方向和论文投稿交流群成立扫描下方二维码或者添加微信号CVer2233即可添加CVer小助手微信便可申请加入CVer-垂直方向和论文投稿微信交流群。另外其他垂直方向已涵盖目标检测、图像分割、目标跟踪、人脸检测识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿交流、PyTorch、TensorFlow和Transformer、NeRF、3DGS、Mamba等。 一定要备注研究方向地点学校/公司昵称如Mamba、多模态学习或者论文投稿上海上交卡卡根据格式备注可更快被通过且邀请进群▲扫码或加微信号: CVer2233进交流群 CVer计算机视觉知识星球人数破万如果你想要了解最新最快最好的CV/DL/AI论文、实战项目、行业前沿、从入门到精通学习教程等资料一定要扫描下方二维码加入CVer知识星球最强助力你的科研和工作 ▲扫码加入星球学习▲点击上方卡片关注CVer公众号 整理不易请点赞和在看