遥感影像变化检测中的类别不平衡问题与优化策略

1. 项目背景与目标

这次霍城县2024-2025年变化检测训练项目，是一个典型的遥感影像多分类变化检测任务。我们的核心目标是从双时相遥感影像中自动识别两类关键变化：

• class1：从非建设用地转变为建筑、道路等永久性建设用地
• class2：从原始地表转变为施工扰动/动土状态

这两类变化在业务场景中具有完全不同的意义。class1代表的是永久性的土地利用变化，这类变化通常具有明确的边界和稳定的视觉特征；而class2则是一个典型的"过程类"变化，它的视觉表现会随着施工阶段、裸土湿度、地表覆盖和堆料情况不断变化，这使得它的检测难度天然更高。

我们使用的技术框架是Open-CD，模型主干采用Changer + IA_MixVisionTransformer组合，输入为7波段双时相影像。这个配置在遥感变化检测领域属于较为先进的方案，能够同时考虑空间和通道维度的特征交互。

2. 数据集构建与特征分析

2.1 数据切片策略

数据预处理是整个项目中最为关键的环节之一。我们的切片脚本采用了以下核心参数配置：

python复制crop_size = 256
stride = 256
block_size_tiles = 4
val_ratio = 0.1

这种配置意味着：

• 采用256×256的非重叠切片（stride=crop_size）
• 验证集采用空间分块holdout策略（block_size_tiles=4）
• 训练集对正样本进行了多种几何增强（原图、rot90、rot180、flipH）
• 对背景样本进行了重平衡，避免样本极度不平衡

这种切片方式虽然计算效率高，但也带来了明显的缺点：小目标和边缘目标容易被切碎，特别是对于线状的道路目标和分散的施工扰动区域。在实际业务场景中，这会导致部分关键变化被遗漏或检测不完整。

2.2 数据分布统计

从dataset_summary_20260407_v2.json和chip_manifest_20260407_v2.csv的统计可以看出：

训练集增强前后对比：