变化检测常用数据集及评价指标

变化检测（Change Detection）旨在通过分析不同时间点的遥感或地面图像，识别地表或场景的变化区域（如建筑变化、植被变化、灾害损毁等）。以下是常用的数据集与评价指标：

变化检测常用数据集

1. LEVIR-CD

• 特点：包含637对高分辨率卫星图像（分辨率0.5米），专注于建筑物变化检测（如新建或拆除），每张图像大小为1024×1024像素，标注精细。

• 应用场景：城市建筑变化监测、城市规划。

• 数据类型：RGB图像。

2. WHU Building Change Detection

• 特点：提供超高分辨率航空图像（0.075米~0.3米），覆盖大规模城市场景，包含建筑变化的多种复杂情况（如部分拆除、扩建）。

• 应用场景：精细建筑变化分析、灾害评估。

• 数据类型：RGB图像。

3. CDD (Change Detection Dataset)

• 特点：包含11,000对图像，涵盖季节变化、光照变化及合成场景，挑战性强，适用于复杂环境下的模型训练。

• 应用场景：多季节变化检测（如植被、道路、建筑变化）。

• 数据类型：RGB图像。

4. OSCD (Onera Satellite Change Detection)

• 特点：基于Sentinel-2卫星的多光谱图像（13个波段），覆盖全球13个城市，支持多时相土地覆盖变化分析。

• 应用场景：城市扩展监测、植被动态变化研究。

• 数据类型：多光谱图像。

5. SYSU-CD

• 特点：大规模数据集，包含20,000对卫星图像，涵盖建筑、道路、水域等多类别变化，适用于多任务学习。

• 应用场景：多类别变化检测（如水域扩张、道路修建）。

• 数据类型：RGB图像。

6. S2Looking

• 特点：专注于倾斜视角下的建筑物变化检测，包含5,000对高分辨率卫星图像，标注涵盖屋顶、立面等细节变化。

• 应用场景：倾斜摄影建筑变化分析。

• 数据类型：RGB图像。

7. DSIFN (Seasonal Change Detection)

• 特点：针对季节性变化设计，包含农田、森林等6类场景，每类100对图像，适用于自然环境的长期监测。

• 应用场景：植被季节性变化、水域周期变化分析。

• 数据类型：RGB图像。

变化检测评价指标

1. 像素级指标

变化检测通常为二分类任务（变化/未变化），常用指标包括：

• 精确率（Precision）：正确预测的变化像素占所有预测变化像素的比例，反映检测结果的可靠性。

• 召回率（Recall）：正确预测的变化像素占真实变化像素的比例，衡量模型对真实变化的覆盖能力。

• F1 Score：精确率和召回率的调和平均数，综合评估模型在类别不平衡数据上的性能。

• IoU（交并比）：预测变化区域与真实变化区域的重叠比例，对边界敏感。

• Kappa系数：衡量分类结果与真实标签的一致性，排除随机因素的影响，适用于不平衡数据。

• 总体准确率（OA）：所有像素中正确分类的比例。

2. 区域级指标

• 平均精度（AP）：基于不同IoU阈值计算的平均精度，常用于多类别变化检测。

• 误检率（FPR）：未变化区域被误判为变化的概率。

选择建议

• 数据集选择：

• 城市建筑变化：优先选择LEVIR-CD或S2Looking（倾斜视角）。

• 土地覆盖分析：使用OSCD（多光谱）或SYSU-CD（多类别）。

• 季节性变化：CDD或DSIFN。

• 指标选择：

• 关注类别平衡时：以F1 Score和IoU为核心指标。

• 高精度需求：结合Kappa系数和AP。

• 实时性要求：额外计算推理速度（FPS）和显存占用。

工具与框架

• 代码库：PyTorch生态的segmentation_models、torchvision，或专用库如CDLab。

• 评估工具：使用sklearn.metrics计算分类指标，pycocotools支持AP计算。

通过灵活选择数据集和指标，可针对具体场景（如灾害响应、环境监测）优化模型，提升变化检测的实用性和可靠性。