遥感影像变更检测中样本高效深度学习综述：任务、策略与挑战
计算机视觉与模式识别
2025-02-06 v1
摘要
过去十年，深度学习的快速发展使得对大规模遥感影像（RSIs）进行自动、准确且鲁棒的变更检测（CD）成为可能。尽管 CD 方法取得了进展，但其在实际场景中的应用仍受限于多样化的输入数据和具体应用环境。例如，收集的 RSIs 可能为时间序列观测，需要指示变更时间或具体变更类别的更具信息性的结果。此外，训练深度神经网络（DNN）需要大量训练样本，而这些样本在许多情况下难以获取。为此，针对不同应用场景和训练资源开发了各种特定 CD 方法。近期，图像生成、自监督学习及视觉基础模型（VFMs）的进展为解决深度学习驱动的 CD 的“数据饥饿”问题开辟了新思路。这些方法在更广泛应用场景中的发展需要进一步调查与讨论。因此，本文总结了不同 CD 任务中的文献方法，以及在样本受限场景中训练和部署深度学习驱动 CD 方法的可用策略与技术。我们期望本综述为该领域的研究者提供新视角与灵感，以开发更有效、可适用于更广范围场景的 CD 方法。
引用
@article{arxiv.2502.02835,
title = {A Survey of Sample-Efficient Deep Learning for Change Detection in Remote Sensing: Tasks, Strategies, and Challenges},
author = {Lei Ding and Danfeng Hong and Maofan Zhao and Hongruixuan Chen and Chenyu Li and Jie Deng and Naoto Yokoya and Lorenzo Bruzzone and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2502.02835},
year = {2025}
}
备注
Accepted in IEEE GRSM