当前位置：首页>武汉>【团队篇】武汉大学武辰教授团队近期空天视觉智能十篇代表性成果

【团队篇】武汉大学武辰教授团队近期空天视觉智能十篇代表性成果

2026-09-11 05:42:19

🔥武汉大学测绘遥感信息工程国家重点实验室的武辰教授团队，长期深耕于遥感影像智能解译与机器学习的前沿交叉领域。面对空天大数据“解译难、标注贵、泛化弱”的共性挑战，武辰教授团队在多时相影像变化检测、高光谱数据处理及视觉基础模型遥感适配等方面开展了系统性创新研究。从构建亿级参数的高光谱基础大模型（HyperSIGMA），到提出弱监督与无监督变化检测的通用框架，该团队的一系列成果不仅显著提升了算法在复杂场景下的精度与鲁棒性，更为遥感技术在自然资源监测、城市精细化管理等领域的自动化应用提供了坚实的理论支撑与技术路径。本文将梳理近期该团队在空天领域的十篇代表性成果。（文末附武辰教授的年度招生计划，诚邀有志学子报名。）🔍🚀

⭐⭐⭐⭐⭐

朋友们，创作不易，如您觉得该内容对您的学习和科研有帮助，请帮我们点赞、转发、推荐，让更多人看到我们的工作！谢谢大家！

⭐⭐⭐⭐⭐

论文一

论文题目：HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model

中文题目：HyperSIGMA：高光谱智能理解基础模型

论文链接：https://ieeexplore.ieee.org/document/10949864

代码链接：https://github.com/WHU-Sigma/HyperSIGMA

论文作者：Di Wang¹*, Meiqi Hu¹*, Yao Jin²*, Yuchun Miao³*, Jiaqi Yang¹*, Yichu Xu¹*, Xiaolei Qin¹*, Jiaqi Ma¹*, Lingyu Sun¹*, Chenxing Li⁴*, Chuan Fu⁵, Hongruixuan Chen⁶, Chengxi Han⁷†, Naoto Yokoya⁶, Jing Zhang¹†, Minqiang Xu⁸, Lin Liu⁸, Lefei Zhang¹, Chen Wu¹†, Bo Du¹†, Dacheng Tao⁹, Liangpei Zhang¹† (*为共同一作，†为通讯作者）

作者单位：¹武汉大学，²中国地质大学（武汉），³电子科技大学，⁴中国地质大学（武汉），⁵重庆大学，⁶东京大学/理化学研究所，⁷中国航天科工集团智能科技研究院，⁸科大讯飞股份有限公司，⁹南洋理工大学

发表年份：TPAMI 2025

⭐论文摘要

准确的高光谱图像（HSI）解译对于为城市规划、精准农业和环境监测等各种地球观测相关应用提供有价值的见解至关重要。然而，现有的HSI处理方法主要针对特定任务和特定场景，这严重限制了其在任务和场景间迁移知识的能力，从而降低了在实际应用中的实用性。为了解决这些挑战，我们提出了HyperSIGMA，这是一个基于视觉Transformer的基础模型，统一了跨任务和场景的HSI解译，可扩展至超过10亿参数。为了克服HSI中固有的光谱和空间冗余，我们引入了一种新颖的稀疏采样注意力（SSA）机制，该机制有效地促进了多样化上下文特征的学习，并作为HyperSIGMA的基本模块。HyperSIGMA使用专门设计的光谱增强模块整合了空间和光谱特征。此外，我们构建了一个大规模高光谱数据集HyperGlobal-450K用于预训练，该数据集包含约45万张高光谱图像，在规模上大大超过了现有数据集。在各种高级和低级HSI任务上的广泛实验表明，与当前的最新方法相比，HyperSIGMA具有多功能性和更优越的表征能力。此外，HyperSIGMA在可扩展性、鲁棒性、跨模态迁移能力、现实世界适用性和计算效率方面显示出显著优势。

论文二

论文题目：Fully Convolutional Change Detection Framework With Generative Adversarial Network for Unsupervised, Weakly Supervised and Regional Supervised Change Detection

中文题目：基于生成对抗网络的用于无监督、弱监督及区域监督变化检测的全卷积变化检测框架

论文链接：https://ieeexplore.ieee.org/document/10019593

代码链接：https://github.com/Cwuwhu/FCD-GAN-pytorch

论文作者：Chen Wu¹, Bo Du¹†, Liangpei Zhang¹†(†为通讯作者）

作者单位：¹武汉大学

发表年份：TPAMI 2023

⭐论文摘要

深度学习变化检测是目前遥感领域的热点话题之一。然而，大多数端到端网络是为监督变化检测提出的，而无监督变化检测模型依赖于传统的预检测方法。因此，我们提出了一种带有生成对抗网络的全卷积变化检测框架，将无监督、弱监督、区域监督和全监督变化检测任务统一到一个端到端框架中。使用基本的Unet分割器获取变化检测图，实现图像到图像生成器以建模多时相图像之间的光谱和空间变化，并提出用于变化和未变化的判别器以建模弱监督和区域监督变化检测任务中的语义变化。分割器和生成器的迭代优化可以构建用于无监督变化检测的端到端网络，分割器和判别器之间的对抗过程可以为弱监督和区域监督变化检测提供解决方案，分割器本身可以针对全监督任务进行训练。实验表明了所提出的框架在无监督、弱监督和区域监督变化检测中的有效性。本文利用所提出的框架为无监督、弱监督和区域监督变化检测任务提供了新的理论定义，并显示了探索用于遥感变化检测的端到端网络的巨大潜力。

论文三

论文题目：Advancing Weakly-Supervised Change Detection in Satellite Images via Adversarial Class Prompting

中文题目：通过对抗类别提示推进卫星图像弱监督变化检测

论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11217335

代码链接：https://github.com/zhenghuizhao/AdvCP

论文作者：Zhenghui Zhao¹, Chen Wu¹†, Di Wang¹, Hongruixuan Chen², Cuiqun Chen³, Zhuo Zheng⁴, Bo Du¹, Liangpei Zhang¹ (†为通讯作者）

作者单位：¹武汉大学，²东京大学/苏黎世联邦理工学院，³安徽大学，⁴斯坦福大学

发表年份：TIP 2025

⭐论文摘要

弱监督变化检测（WSCD）旨在依靠成对图像（即图像级）分类标签，区分成对卫星图像中的特定对象变化（例如，对象出现或消失）与背景变化（例如，由光照、天气或季节变化引起的环境变化）。该技术显著减少了全监督变化检测所需的密集注释需求。然而，由于图像级监督仅指示场景中对象是否发生了变化，WSCD方法通常将背景变化误分类为对象变化，特别是在复杂的遥感场景中。在这项工作中，我们提出了一种对抗类别提示（AdvCP）方法来解决这一共现噪声问题，包括两个阶段：a) 对抗提示挖掘：在每次训练迭代后，我们引入对抗提示扰动，使用不正确的独热图像级标签来激活错误的特征映射。这个过程揭示了弱监督下的共现对抗样本，即可能被误分类为对象变化的背景变化特征。b) 对抗样本校正：我们通过构建在线全局原型将这些对抗提示激活的像素样本整合到训练中。该原型由当前批次和所有历史训练数据的指数加权移动平均构建而成。作为无偏锚点，全局原型指导对抗像素样本的校正。我们的AdvCP可以无缝集成到当前的WSCD方法中，而不增加额外的推理成本。在基于ConvNet、Transformer和Segment Anything Model（SAM）的基线上进行的实验表明性能显著提升，在WHU-CD、LEVIR-CD和DSIFN-CD数据集上分别实现了高达7.37%、7.46%和6.56%的IoU提升。此外，我们展示了AdvCP对其他多类弱监督密集预测场景的泛化能力。

论文四

论文题目：HANet: A Hierarchical Attention Network for Change Detection With Bitemporal Very-High-Resolution Remote Sensing Images

中文题目：HANet：一种用于双时相甚高分辨率遥感图像变化检测的层级注意力网络

论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10093022&tag=1

代码链接：https://github.com/ChengxiHAN/HANet-CD

论文作者：Chengxi Han¹, Chen Wu¹†, Haonan Guo¹, Meiqi Hu¹, Hongruixuan Chen²

作者单位：¹武汉大学测绘遥感信息工程国家重点实验室，²东京大学新领域创成科学研究科

发表年份：JSTARS 2023

⭐论文摘要

得益于深度学习技术的发展，采用自动特征提取的基于深度学习的算法在变化检测（CD）任务上取得了显著的性能。然而，现有的基于深度学习的 CD 方法的性能受到变化像素和未变化像素之间不平衡的阻碍。为了解决这个问题，本文提出了一种基于不增加变化信息的渐进式前景平衡采样策略，以帮助模型在早期训练过程中准确学习变化像素的特征，从而提高检测性能。此外，我们设计了一个具有判别性的孪生网络，即层级注意力网络（HANet），它可以整合多尺度特征并细化细节特征。HANet 的主要部分是 HAN 模块，这是一种轻量且有效的自注意力机制。在两个标签极度不平衡的 CD 数据集上进行的广泛实验和消融研究验证了所提出方法的有效性和效率。

论文五

论文题目：Information transmission: Inferring change area from change moment in time series remote sensing images

中文题目：信息传递：在时序遥感图像中从变化时刻推断变化区域

论文链接：https://www.sciencedirect.com/science/article/pii/S0924271625004228

代码链接：https://github.com/lijialu144/CAIM-Net

论文作者：Jialu Li¹, Chen Wu¹†, Meiqi Hu², Haonan Guo¹

作者单位：¹武汉大学测绘遥感信息工程国家重点实验室，²中山大学地理科学与规划学院

发表年份：ISPRS 2026

⭐论文摘要

时序变化检测是探索生态系统动态的关键任务，因为它能同时指示变化发生的“地点”和“时间”。虽然深度学习在该领域表现出色，但它继续将变化区域检测和变化时刻识别作为不同的任务来处理。鉴于变化区域可以从变化时刻推断出来，我们提出了一种时序变化检测网络，名为 CAIM-Net（Change Area Inference from Moment Network），以确保变化区域和变化时刻结果的一致性。CAIM-Net 基于时间序列分析和空间变化检测之间的内在联系，从变化时刻推断变化区域。CAIM-Net 包含三个关键步骤：差异提取与增强、粗略变化时刻提取、以及精细变化时刻提取与变化区域推断。在差异提取与增强中，设计了一个具有批量维度堆叠的轻量级编码器来快速提取差异特征。随后，应用边界增强卷积来放大这些差异特征。在粗略变化时刻提取中，来自第一步的增强差异特征用于时空相关性分析，然后设计了两种不同的方法来确定粗略变化时刻。在精细变化时刻提取与变化区域推断中，多尺度时间类激活映射（CAM）模块首先增加来自粗略变化时刻的变化发生时刻的权重。然后，基于发生变化的时刻的像素必定发生了变化这一事实，利用加权变化时刻来推断变化区域。从两个全球尺度数据集 DynamicEarthNet 和 SpaceNet7 获得的实验结果表明，CAIM-Net 在速度和准确性方面优于当前已发表的方法，并且具有从变化时刻推断变化区域的卓越能力。此外，CAIM-Net 优于代表性方法，并在变化区域检测上实现了 1.12% 和 2.16% 的 Kappa 系数提升，在变化时刻识别上实现了 0.36% 和 0.97% 的提升。

论文六

论文题目：UNet-Like Remote Sensing Change Detection: A review of current models and research directions

中文题目：类 UNet 遥感变化检测：当前模型与研究方向综述

论文链接：https://ieeexplore.ieee.org/document/10616141

代码链接：https://github.com/Cwuwhu/UNet-likeChangeDetection

论文作者：Chen Wu¹†, Liangpei Zhang¹, Bo Du², Hongruixuan Chen³, Jingxuan Wang¹, Huan Zhong¹

作者单位：¹武汉大学测绘遥感信息工程国家重点实验室，²武汉大学计算机学院，³东京大学新领域创成科学研究科

发表年份：GRSM 2024

⭐论文摘要

最近，深度学习（DL）模型已成为遥感变化检测任务的主要焦点。关于监督和无监督的基于 DL 的变化检测方法已有大量出版物发表。由于更多带有变化标注的公共数据集的发布，端到端全卷积网络（FCN）得到了迅速发展。此外，UNet 是监督式 DL 模型中使用最广泛的基础结构。因此，本文提供了一种新颖的分类式 DL 模型综述，并系统地讨论了当前的类 UNet 变化检测方法。首先，我们将类 UNet 模型分为七个基本模块：编码器结构、对称性、编码器模块、到解码器的特征、跳跃连接、数据融合和损失函数。随后，我们总结了当前的类 UNet 变化检测出版物，并回顾了各种基本设置的实验。本综述旨在提供当前基于 DL 的变化检测方法的系统概览，为新型类 UNet 模型提供见解，并强调未来研究的潜力。

论文七

论文题目：LGCANet: Local–Global and Change-Aware Network via Segment Anything Model for Remote Sensing Images Change Detection

中文题目：LGCANet：基于 Segment Anything Model 的遥感图像变化检测局部-全局感知与变化感知网络

论文链接：https://ieeexplore.ieee.org/abstract/document/11049054

代码链接：https://github.com/Jscript10/LGCANet

论文作者：Kaixuan Jiang¹, Chen Wu¹†

作者单位：¹武汉大学测绘遥感信息工程国家重点实验室

发表年份：TGRS 2025

⭐论文摘要

变化检测（CD）是遥感中一项非常基础且具有挑战性的任务。许多基于深度学习的 CD 方法通常利用孪生网络来提取图像特征。然而，这些方法提取的语义特征仍然不够精细。此外，这些 CD 方法忽略了遥感图像中对象尺度的多样性以及双时相图像之间的交互信息，导致网络无法捕捉更有效的特征嵌入，从而产生模糊或错误的检测结果。为了缓解上述问题，我们提出了基于快速分割一切模型（FastSAM）的局部-全局和变化感知网络（LGCANet）。SAM 可以准确分割各种场景图像中的对象。在这项工作中，我们打算利用 SAM 强大的识别能力来改进 CD 任务。因此，LGCANet 采用更高效的 FastSAM 和 ResNet 作为编码器来提取遥感图像中的潜在特征表示。FastSAM 可以有效地提取全局上下文信息，结合 ResNet 强大的深层特征提取能力，使得网络能够全面地建模特征。LGCANet 包含三个模块：内容感知注意力模块（CAAM）、前景-背景感知模块（FAM）和边缘增强混合选择模块（EHM）。CAAM 提供从局部到全局感知的特征提取，实现对各种尺度对象的动态关注。FAM 可以通过特征交互有效地学习前景和背景表示，从而显着增强模型识别变化区域的能力。EHM 可以利用方向感知来提取边缘信息，并通过设计好的注意力机制自适应地选择具有判别性的特征来生成细粒度的检测图。在公开可用的 CD 数据集上的实验表明，与其他最先进的方法相比，LGCANet 取得了卓越的检测性能。

论文八

论文题目：Binary Change Guided Hyperspectral Multiclass Change Detection

中文题目：二值变化引导的高光谱多类变化检测

论文链接：https://ieeexplore.ieee.org/document/10011164

代码链接：https://github.com/meiqihu/BCG-Net

论文作者：Meiqi Hu¹, Chen Wu¹†, Bo Du², Liangpei Zhang¹

作者单位：¹武汉大学测绘遥感信息工程国家重点实验室，²武汉大学计算机学院

发表年份：TIP 2023

⭐论文摘要

高光谱图像以其巨大的光谱信息为特征，能够检测细微的变化并区分用于变化检测的各种变化类别。然而，最近以高光谱二值变化检测为主的研究工作无法提供精细的变化类别信息。大多数结合光谱解混进行高光谱多类变化检测（HMCD）的方法，都受困于忽略时间相关性和误差累积的问题。在本研究中，我们提出了一种无监督的二值变化引导的高光谱多类变化检测网络（BCG-Net）用于 HMCD，旨在利用成熟的二值变化检测方法来提升多类变化检测结果和解混结果。在 BCG-Net中，设计了一种新颖的部分孪生联合解混模块用于多时相光谱解混，并开发了一种由二值变化检测结果的伪标签指导的开创性时间相关性约束，从变化检测的角度指导解混过程，鼓励未变化像素的丰度更加一致，变化像素的丰度更加准确。此外，提出了一种创新的二值变化检测规则，以解决传统规则易受数值影响的问题。提出了光谱解混过程和变化检测过程的迭代优化，以消除从解混结果到变化检测结果的累积误差和偏差。实验结果表明，我们提出的 BCG-Net 在多类变化检测方面可以达到甚至优于最先进的方法，并且同时获得更好的光谱解混结果。

论文九

论文题目：Essential Hierarchical Information That Warrants Attention: A Semi-Supervised Hyperspectral Hierarchical Classification Network

中文题目：值得关注的重要层级信息：一种半监督高光谱层级分类网络

论文链接：https://ieeexplore.ieee.org/document/10981809

代码链接：https://github.com/jinyaoWHU/Semi-HCN

论文作者：Yao Jin¹, Yanni Dong², Chen Wu¹†

作者单位：¹武汉大学测绘遥感信息工程国家重点实验室，²武汉大学资源与环境科学学院

发表年份：TGRS 2025

⭐论文摘要

层级分类方法可以利用层级结构实现从粗粒度到细粒度的精细分类。得益于数据集规模的不断扩大，层级分类在各个领域都表现出了出色的性能。然而，目前大多数高光谱图像（HSI）深度学习分类方法采用扁平分类策略，忽略了 HSI 数据中存在的层级结构。层级结构信息能否辅助深度学习完成 HSI 分类任务？在本文中，我们通过直观的实验验证了利用层级结构信息辅助深度学习完成 HSI 分类任务的可行性，并提出了一种半监督层级分类网络（Semi-HCN）来实现 HSI 的层级分类。Semi-HCN 首先通过快速自训练（FST）模块生成大量伪标签用于后续网络训练，然后通过多分支网络提取层级特征并在各层之间逐步整合。最后，通过层级交叉熵损失（CE Loss）对网络输出施加层级约束。在三个真实数据集上的实验表明，Semi-HCN 可以在有限的训练样本下取得具有竞争力的分类性能。

论文十

论文题目：SAM-powered building footprint updating for various cities: Sparse labels meet historical data repurposing in urban monitoring

中文题目：SAM 赋能的多城市建筑物覆盖区更新：稀疏标签与历史数据重用在城市监测中的结合

论文链接：https://www.sciencedirect.com/science/article/pii/S1569843225007095

代码链接：https://github.com/Submarinee/BuildRenew

论文作者：Wen Zhou¹, Chen Wu¹†, Bo Du², Liangpei Zhang¹

作者单位：¹武汉大学测绘遥感信息工程国家重点实验室，²武汉大学计算机学院

发表年份：JAG 2026

⭐论文摘要

准确的建筑物覆盖区数据库是可持续城市化的基础，但由于城市变化的快速步伐，面临着持续的更新挑战。传统方法依赖于双时相图像比较进行变化检测，这需要大量新标签来重新训练模型，成本高昂。我们提出了一种被动更新范式，消除了对历史图像的依赖，并利用应用于 Segment Anything Model (SAM) 的轻量级自适应策略来最小化标注成本。此外，我们提出了一种跨模态时间融合（CMTF）模块，该模块结合了历史建筑物覆盖区的特征与最新图像的特征，缓解了小样本训练的负担。训练过程采用半监督方法，使模型能够从有标签和无标签区域学习，其中有标签区域仅占建筑物样本的 0.4%。此外，我们提出了 RIO 数据集，这是一个亚米级双时相建筑物覆盖区更新数据集，用于研究快速发展区域的建筑物变化。此外，这项工作在包括克赖斯特彻奇（震后重建）和北京-上海（特大城市扩张）在内的全球一系列城市进行了验证。这项工作通过克服对用于变化检测的成对历史图像的依赖以及对大量最新标签的需求，推进了城市建筑更新。该方法为监测 SDG 11（可持续城市和社区）提供了一种可扩展的解决方案，使欠发达国家能够仅使用少量标签即可利用免费开放的产品数据来追踪城市扩张模式。

招生

📢武汉大学武辰教授 PHI Lab 2026年度硕博招生

团队信息：依托武汉大学测绘遥感信息工程全国重点实验室和计算机学院，星球·人与图像智能实验室（Planet, Human and Image Intelligence lab ∅，PHI）在负责人武辰教授的带领下，致力于人工智能、机器学习与计算机视觉的前沿探索。团队聚焦于遥感、街景及自然图像的高精度智能化解译，旨在通过技术创新揭示城市发展与人类幸福生活的紧密联系。