demo_system_algorithm/docs/a2net.md

A2Net — 轻量化变化检测网络

概述

A2Net (Aggregation Attentional Network) 是一种轻量化差异检测网络，专为双时相遥感图像变化检测任务设计。

核心特性

特性	说明
模型类型	差异检测网络（Change Detection）
骨干网络	MobileNetV2（轻量级）
输入形式	双时相图像对（前后对比）
输出形式	变化区域概率图 + 二值掩码
关键创新	邻居聚合模块 + 渐进式变化识别 + 监督注意力融合

模型架构

A2Net 通过三个核心模块处理变化检测任务：

graph LR
    A[时相1 图像] --> C[共享MobileNetV2骨干]
    B[时相2 图像] --> C
    C --> D[邻居聚合模块]
    D --> E[渐进式变化识别模块]
    E --> F[监督注意力融合模块]
    F --> G[变化概率图]

• 邻居聚合模块 — 增强时间维度的特征表示
• 渐进式变化识别模块 — 逐步提取时间差异特征
• 监督注意力模块 — 优化多层级特征融合

目标应用场景

• 城市发展与规划 — 监测建筑、道路等变化
• 自然灾害评估 — 快速评估灾后区域变化
• 农业林业监测 — 植被覆盖变化检测
• 环境变化监测 — 水体、湿地等动态跟踪

参考来源

• 论文：A2Net: Aggregation Attentional Network for Change Detection
• 框架：PyTorch

---

输入 / 输出规格

模型接口

方向	名称	数据类型	维度	尺寸
输入	INPUT:0 (时相1)	UINT8	4D	1 × 1 × 256 × 768
输入	INPUT:1 (时相2)	UINT8	4D	1 × 1 × 256 × 768
输出	OUTPUT:0	FP32	4D	1 × 1 × 256 × 256
输出	OUTPUT:1	FP32	4D	1 × 1 × 256 × 256
输出	OUTPUT:2	FP32	4D	1 × 1 × 256 × 256
输出	OUTPUT:3	FP32	4D	1 × 1 × 256 × 256

说明：输入为两张灰度图（单通道），尺寸 768×256；输出 4 个特征图均为 256×256 的概率分布图。

---

后处理流程

flowchart TD
    A[模型输出: 4个概率图] --> B[取均值 / 融合]
    B --> C[阈值分割]
    C --> D{概率 > 阈值?}
    D -->|是| E[标记为变化区域 255]
    D -->|否| F[标记为不变区域 0]
    E --> G[输出二值变化图]
    F --> G

步骤说明

1. 输出融合 — 将 4 个输出特征图合并为统一的变化概率图
2. 阈值分割 — 对每个像素应用阈值（通常 0.5），将概率值转为二值结果
3. 结果生成 — 输出二值图像（白色=变化区域，黑色=不变区域）

---

执行与性能

运行方式

python a2net.py

性能指标

指标	数值
推理平台	边缘板卡（NPU）
推理时间	~52.49 ms
输出 FE 均值误差	0.002796
输出 FE 最大误差	0.301415

FE 相似度反映板卡输出与 PC 端输出的偏差，数值越低表示一致性越好。

---

输入 / 输出示例

输入图像（双时相对比）

时相1（变化前）	时相2（变化后）

检测结果

白色区域表示检测到的变化区域，黑色为未变化区域。结果图保存路径：../resource/a2net/result.jpg