面向跨域变化检测端到端监督域适应框架
计算机视觉与模式识别
2022-08-09 v2
摘要
现有基于深度学习的变化检测方法试图精心设计并具有强大特征表示的复杂神经网络，却忽略了由时变地表覆盖变化引起的普遍域偏移，包括事件前与事件后图像之间的亮度波动和季节变化，从而产生次优结果。本文提出一种面向跨域变化检测端到端监督域适应框架，即SDACD，以有效缓解双时相图像间的域偏移，从而获得更好的变化预测。具体而言，我们的SDACD在监督学习下从图像和特征两个视角进行协同适应。图像适应利用带循环一致性约束的生成对抗学习执行跨域风格变换，以双向生成方式有效缩小域差距。对于特征适应，我们提取域不变特征以对齐特征空间中的不同特征分布，从而进一步减小跨域图像的域差距。为进一步提升性能，我们结合三种双时相图像进行最终变化预测，包括初始输入的双时相图像以及来自事件前和事件后域的两组生成双时相图像。在两个基准上的大量实验与分析证明了我们所提框架的有效性和通用性。值得注意的是，我们的框架将若干代表性基线模型推至新的SOTA记录，在CDD和WHU建筑数据集上分别达到97.34%和92.36%。源代码与模型已公开于https://github.com/Perfect-You/SDACD。
引用
@article{arxiv.2204.00154,
title = {An End-to-end Supervised Domain Adaptation Framework for Cross-Domain Change Detection},
author = {Jia Liu and Wenjie Xuan and Yuhang Gan and Juhua Liu and Bo Du},
journal= {arXiv preprint arXiv:2204.00154},
year = {2022}
}
备注
Accepted by Pattern Recognition