C2F-SemiCD：基于一致性正则化的高分辨率遥感图像由粗到细半监督变化检测方法
计算机视觉与模式识别
2024-04-23 v1
摘要
高精度特征提取模型对于变化检测（CD）至关重要。过去，许多基于深度学习的监督CD方法从大量标记的双时相图像中学习识别变化特征模式，但标记双时相遥感图像非常昂贵且耗时；因此，我们提出了一种基于一致性正则化的由粗到细半监督变化检测方法（C2F-SemiCD），包括一个具有多尺度注意力机制的由粗到细变化检测网络（C2FNet）和一个半监督更新方法。其中，C2FNet网络通过多尺度特征融合、通道注意力机制、空间注意力机制、全局上下文模块、特征细化模块、初始聚合模块和最终聚合模块逐步完成从粗粒度到细粒度的变化特征提取。半监督更新方法使用均值教师方法。学生模型的参数通过指数移动平均（EMA）方法更新为教师模型的参数。通过在三个数据集上的广泛实验和细致的消融研究，包括跨数据集交叉实验，我们验证了所提出的C2F-SemiCD方法的显著有效性和效率。代码将在https://github.com/ChengxiHAN/C2F-SemiCDand-C2FNet开源。
引用
@article{arxiv.2404.13838,
title = {C2F-SemiCD: A Coarse-to-Fine Semi-Supervised Change Detection Method Based on Consistency Regularization in High-Resolution Remote Sensing Images},
author = {Chengxi Han and Chen Wu and Meiqi Hu and Jiepan Li and Hongruixuan Chen},
journal= {arXiv preprint arXiv:2404.13838},
year = {2024}
}