AnomalyCD：基于高分辨率时间序列观测的地球异常变化检测基准
计算机视觉与模式识别
2024-09-10 v1
摘要
各种地球异常破坏了稳定、平衡的状态，导致人员伤亡和严重的财产损失。凭借大范围、精确观测的优势，高分辨率遥感图像已被广泛用于异常监测和定位。在深度表征的驱动下，现有方法取得了显著进展，主要集中在分类和变化检测技术方面。然而，由于异常发生的概率低，标记样本难以获取，且训练好的模型仅限于固定的异常类别，这阻碍了其在少样本或未知异常情况下的应用。在本文中，为了解决这个问题，我们提出了异常变化检测（AnomalyCD）技术，该技术接受时间序列观测数据，并通过学习历史正常变化模式来识别异常变化。与现有技术相比，AnomalyCD 处理不固定的时间步长，并能以统一的方式定位各种异常，无需人工监督。为了对 AnomalyCD 进行基准测试，我们构建了一个包含时间序列图像的高分辨率数据集，专门用于各种地球异常（AnomalyCDD 数据集）。AnomalyCDD 包含在全球范围内收集的高分辨率（0.15 至 2.39 米/像素）、时间序列（3 至 7 个时间步长）和大规模图像（总计 1927.93 平方公里）。此外，我们开发了一个零样本基线模型（AnomalyCDM），该模型通过从分割一切模型（SAM）中提取通用表征并进行时间比较以区分异常变化和正常变化，从而实现了 AnomalyCD 技术。AnomalyCDM 被设计为一个两阶段工作流程以提高效率，并且能够直接处理未见过的图像，无需针对每个场景进行重新训练。
引用
@article{arxiv.2409.05679,
title = {AnomalyCD: A benchmark for Earth anomaly change detection with high-resolution and time-series observations},
author = {Jingtao Li and Qian Zhu and Xinyu Wang and Hengwei Zhao and Yanfei Zhong},
journal= {arXiv preprint arXiv:2409.05679},
year = {2024}
}
备注
remote sensing benchmark