基于三维卷积的相邻层级特征交叉融合用于遥感图像变化检测
计算机视觉与模式识别
2024-01-18 v2
摘要
近年来，基于深度学习的遥感图像变化检测（CD）受到越来越多的关注。然而，如何有效提取并融合双时相图像的深层特征以提高 CD 精度仍是一项挑战。为此，本文提出了一种带有三维卷积的相邻层级特征融合网络（称为 AFCF3D-Net）。首先，利用三维卷积的内部融合特性，我们设计了一种新的特征融合方式，可同时提取并融合双时相图像的特征信息。然后，为缓解低级特征与高级特征之间的语义鸿沟，我们提出相邻层级特征交叉融合（AFCF）模块，以聚合相邻层级间的互补特征信息。此外，引入全尺度跳跃连接策略，以提升像素级预测能力及结果中变化目标的紧凑性。最后，所提出的 AFCF3D-Net 在三个具有挑战性的遥感 CD 数据集上进行了验证：武汉建筑数据集（WHU-CD）、LEVIR 建筑数据集（LEVIR-CD）和中山大学数据集（SYSU-CD）。定量分析与定性比较的结果表明，所提出的 AFCF3D-Net 相较于其他 SOTA 方法取得了更优性能。本工作的代码可在 https://github.com/wm-Githuber/AFCF3D-Net 获取。
引用
@article{arxiv.2302.05109,
title = {Adjacent-Level Feature Cross-Fusion With 3-D CNN for Remote Sensing Image Change Detection},
author = {Yuanxin Ye and Mengmeng Wang and Liang Zhou and Guangyang Lei and Jianwei Fan and Yao Qin},
journal= {arXiv preprint arXiv:2302.05109},
year = {2024}
}
备注
13 pages, 11 figures