AdaSemiCD：一种基于伪标签评估的自适应半监督变化检测方法
计算机视觉与模式识别
2025-03-18 v2
摘要
变化检测（CD）是遥感领域的重要任务，主要关注识别由卫星在不同时间拍摄的同一区域的双时相图像对中的变化区域。CD 任务的数据标注过程既耗时又费力。为了更好地利用稀缺的标注数据和丰富的未标注数据，我们提出了一种自适应动态半监督学习方法 AdaSemiCD，以改进伪标签的使用并优化训练过程。首先，由于 CD 固有的极端类别不平衡，模型更倾向于关注背景类，且容易混淆目标物体的边界。针对这两点，我们开发了一种可度量的伪标签评估指标，通过类别重平衡和混淆区域放大来增强信息熵的表示，从而给潜在变化物体更大的权重。随后，为了增强逐样本伪标签的可靠性，我们引入了 AdaFusion 模块，该模块能够动态识别最不确定的区域并用更可信的内容替换。最后，为确保更好的训练稳定性，我们引入了 AdaEMA 模块，仅使用受信样本批次更新教师模型。LEVIR-CD、WHU-CD 和 CDD 数据集的实验结果验证了我们提出的自适应训练框架的有效性和通用性。
引用
@article{arxiv.2411.07758,
title = {AdaSemiCD: An Adaptive Semi-Supervised Change Detection Method Based on Pseudo-Label Evaluation},
author = {Ran Lingyan and Wen Dongcheng and Zhuo Tao and Zhang Shizhou and Zhang Xiuwei and Zhang Yanning},
journal= {arXiv preprint arXiv:2411.07758},
year = {2025}
}
备注
Accepted by IEEE Transactions on Geoscience and Remote Sensing(TGRS)