用于VHR遥感影像变化检测的对偶邻域超图神经网络
计算机视觉与模式识别
2022-03-01 v1
摘要
极高空间分辨率（VHR）遥感影像已成为监测地球表面变化极具价值的来源。然而，由于地物间关系的复杂性，在 VHR 影像中精确检测相关变化仍具挑战。为克服该局限，本文提出一种对偶邻域超图神经网络，其结合多尺度超像素分割与超图卷积来建模并利用复杂关系。首先，将双时相影像对在两种尺度下分割，并输入预训练的 U-net，以细尺度下每个对象为节点获取节点特征。随后利用分割对象的父子与相邻关系定义对偶邻域以构建超图，使模型能够表示比成对关系复杂得多的更高阶结构化信息。在所构超图上执行超图卷积，通过节点-边-节点变换将少量标注节点的标签信息传播至其他未标注节点。此外，为缓解样本不平衡问题，采用 focal loss 函数训练该超图神经网络。在光学、SAR 及异源光学/SAR 数据集上的实验结果表明，相较于许多最先进的方法，所提方法具有更优的有效性与鲁棒性。
引用
@article{arxiv.2202.13275,
title = {A Dual Neighborhood Hypergraph Neural Network for Change Detection in VHR Remote Sensing Images},
author = {Junzheng Wu and Ruigang Fu and Qiang Liu and Weiping Ni and Kenan Cheng and Biao Li and Yuli Sun},
journal= {arXiv preprint arXiv:2202.13275},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2102.08041