近日，实验室2023级硕士生李志浩的一篇论文 “Enhancing Collaboration and Mitigating Conflict between Subtasks for Remote Sensing Semantic Change Detection”(作者：李志浩，刘一锟，刘铭浩，杨公平)被IEEE Transactions on Geoscience and Remote Sensing (TGRS) 录用。TGRS是遥感领域的顶级期刊，也是人工智能与计算机视觉领域的权威期刊，属于CCF B类，中科院一区TOP期刊，影响因子(IF)为8.6。

语义变化检测（Semantic change detection, SCD）由两个独立但并非无关的部分组成，即二值变化检测 (Binary change detection, BCD) 和语义分割 (Semantic segmentation, SS)，其目标是在双时相遥感(RS)图像中同时定位变化区域并提供它们的语义类别。尽管现有的SCD方法已经取得了良好的性能，但仍然面临两个挑战：1) BCD与SS之间协作不足：它们无法有效利用SS所提供的语义信息来进一步提升BCD的性能；以及2) BCD与SS之间存在冲突：它们通常在SS和BCD分支之间共享输入以实现联合优化。然而，共享输入会受到BCD和SS任务导向的约束，从而可能产生冲突。具体而言，BCD的任务导向旨在对齐双时相域的分布，这不可避免地导致共享输入在挖掘领域特定特征方面受到限制，并进一步造成SS性能下降。类似地，SS的任务导向也会损害BCD的域对齐过程，因为共享输入在SS任务导向的引导下挖掘领域特定特征，以提升其自身性能。因此，我们提出了增强协作-缓解冲突网络。首先，设计了一个语义增强模块，用于增强语义特征的类间差异性和类内相似性，这对SS和BCD均有益处。其次，我们不再在SS和BCD分支之间共享输入，而是在两者之间共享语义内容以缓解冲突。具体来说，我们构建了一个域风格去除模块，该模块确保BCD分支的输入去除了领域特定风格的影响，并与SS分支的输入具有相同的语义内容。通过这种方式，可以缓解BCD与SS之间的冲突，同时保留联合优化的优势。第三，我们设计了一个差异增强模块以增强SS与BCD之间的协作，该模块不仅利用了差异特征的注意力机制，还结合了双时相特征之间的语义相似性，以增强并识别双时相特征中的变化区域。大量的实验结果验证了我们的方法在两个SCD基准数据集上优于当前最先进的(SOTA)性能。