摘要：目前深度學(xué)習(xí)方法在遙感影像變化檢測(cè)方面取得了較大的進(jìn)步，然而現(xiàn)有的遙感影像變化檢測(cè)方法仍然以全監(jiān)督網(wǎng)絡(luò)為主，其網(wǎng)絡(luò)性能嚴(yán)重依賴標(biāo)簽數(shù)據(jù)的數(shù)量和質(zhì)量。為此，提出了一種基于均值教師模型聯(lián)合多級(jí)擾動(dòng)的半監(jiān)督遙感影像變化檢測(cè)網(wǎng)絡(luò)（UniMTCD-Net）。首先，將不同性質(zhì)的強(qiáng)擾動(dòng)分離到不同的分支分別進(jìn)行學(xué)習(xí)井約束一致性，形成多樣化的擾動(dòng)空間，避免了單分支學(xué)習(xí)困難的問(wèn)題，從而有效提升對(duì)無(wú)標(biāo)簽數(shù)據(jù)的利用效率；其次，采用均值教師模型，不僅擴(kuò)展了教師模型生成的偽標(biāo)簽和學(xué)生模型輸出的強(qiáng)預(yù)測(cè)之間的差異，同時(shí)教師模型參數(shù)通過(guò)指數(shù)移動(dòng)平均（EMA）更新的方式，使得偽標(biāo)簽的生成更加準(zhǔn)確。實(shí)驗(yàn)結(jié)果表明，與主流半監(jiān)督方法相比，UniMTCD-Net具有更好的檢測(cè)性能，尤其在5％的標(biāo)簽訓(xùn)練數(shù)據(jù)下檢測(cè)性能更加優(yōu)秀，進(jìn)一步驗(yàn)證了UniMTCD-Net在遙感影像變化檢測(cè)中的有效性和優(yōu)越性。

關(guān)鍵詞：變化檢測(cè)；半監(jiān)督；一致性；均值教師模型

中圖分類號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A