Change detection, as an important task of remote sensing image processing, has a wide range of applications in many aspects such as land use and natural disaster assessment. Recent change detection methods have achieved good results. However, due to the environmental difference between the bi-temporal images and the complicated imaging condition, there are usually problems such as missing small objects, incomplete objects, and rough edges in the change detection results. The existing change detection methods usually lack attention in these areas. In this paper, we propose a Siamese change detection method, named SMD-Net, for bi-temporal remote sensing change detection. The proposed model uses multi-scale difference maps to enhances the information of the changed areas step by step in order to have better change detection results. Furthermore, we propose a Siamese residual multi-kernel pooling module (SRMP) for high-level features to enhance the high-level change information of the model. For the low-level features of multiple skip connections, we propose a feature difference module (FDM) that uses feature difference to fully extract the change information and help the model generate more accurate details. The experimental results of our method on three public datasets show that compared with other benchmark methods, our network comprises better effectiveness and has a better trade-off between accuracy and calculation cost.

中文翻译：

---

SMD-Net：用于遥感变化检测的连体多尺度差异增强网络

变化检测作为遥感图像处理的一项重要任务，在土地利用、自然灾害评估等诸多方面有着广泛的应用。最近的变化检测方法取得了很好的效果。然而，由于双时相图像的环境差异和复杂的成像条件，在变化检测结果中通常会出现小物体丢失、物体不完整、边缘粗糙等问题。现有的变化检测方法通常在这些领域缺乏关注。在本文中，我们提出了一种名为 SMD-Net 的 Siamese 变化检测方法，用于双时相遥感变化检测。所提出的模型使用多尺度差异图逐步增强变化区域的信息，以获得更好的变化检测结果。此外，我们提出了一个用于高级特征的连体残差多核池化模块（SRMP），以增强模型的高级变化信息。对于多个跳过连接的低级特征，我们提出了一个特征差异模块（FDM），它利用特征差异来充分提取变化信息，帮助模型生成更准确的细节。我们的方法在三个公共数据集上的实验结果表明，与其他基准方法相比，我们的网络具有更好的有效性，并且在准确性和计算成本之间具有更好的权衡。我们提出了一个特征差异模块（FDM），它利用特征差异来充分提取变化信息，帮助模型生成更准确的细节。我们的方法在三个公共数据集上的实验结果表明，与其他基准方法相比，我们的网络具有更好的有效性，并且在准确性和计算成本之间具有更好的权衡。我们提出了一个特征差异模块（FDM），它利用特征差异来充分提取变化信息，帮助模型生成更准确的细节。我们的方法在三个公共数据集上的实验结果表明，与其他基准方法相比，我们的网络具有更好的有效性，并且在准确性和计算成本之间具有更好的权衡。