Las imágenes de calles son un nuevo tipo de big data geográfico para percibir el entorno material urbano. Detectar cambios en las fachadas a través de imágenes de calles y reconocer las categorías semánticas de los cambios es un medio importante para la percepción de la renovación urbana. Los métodos tradicionales de detección de cambios no pueden distinguir directamente la pertenencia temporal de los objetos cambiantes en las imágenes de calles (segmentación temporal), lo que dificulta identificar eficientemente las categorías semánticas de las áreas cambiadas en dos momentos. Este artículo propone el modelo Cross-C2PO (Cross-Combine 2 POssible change types) que unifica las tareas de detección de cambios y segmentación temporal, ayudando a incorporar modelos existentes de segmentación semántica de imágenes para detectar cambios semánticos en imágenes de calles. Sobre esta base, se construye un método de análisis perceptual del índice dinámico de renovación urbana, con el objetivo de monitorear los cambios ocurridos entre 2013 y 2019 en el centro urbano de Guangzhou, implementando una percepción panorámica integral de cambios en las cuatro perspectivas —delante, atrás, izquierda y derecha— para mapear la dinámica de la renovación urbana, mostrando de manera directa la distribución de la renovación y la intensidad de los cambios en el entorno físico, proporcionando un método innovador y un caso de estudio para la aplicación integrada inteligente de imágenes de calles y visión por computadora.

renovación urbana;imágenes de calles;detección de cambios semánticos;detección de cambios de escena;supervisión débil;dinámica