基于半监督学习的上下文感知变化检测
计算机视觉与模式识别
2023-06-16 v1 人工智能
机器学习
图像与视频处理
摘要
利用对地观测数据进行变化检测在量化受灾区域影响方面起着至关重要的作用。虽然 Sentinel-2 等数据源提供丰富的光学信息，但常受云层覆盖阻碍，限制了其在灾害场景中的使用。然而，利用灾前光学数据可提供关于该区域有价值的上下文信息，如土地覆盖类型、植被覆盖、土壤类型，从而更好地理解灾害影响。本研究开发了一个模型来评估灾前 Sentinel-2 数据在针对受灾区域的变化检测任务中的贡献。所提出的上下文感知变化检测网络（CACDN）结合了灾前 Sentinel-2 数据、灾前与灾后 Sentinel-1 数据以及辅助数字高程模型（DEM）数据。该模型在洪水与滑坡检测上验证，并使用三个指标评估：精确率-召回率曲线下面积（AUPRC）、交并比（IoU）和平均 IoU。初步结果显示，当引入反映上下文信息有效性的灾前光学数据时，模型变化检测能力显著提升（AUPRC 提高 4%，IoU 提高 3-7%，平均 IoU 提高 3-6%），可用于精确的洪水与滑坡检测。
引用
@article{arxiv.2306.08935,
title = {Context-Aware Change Detection With Semi-Supervised Learning},
author = {Ritu Yadav and Andrea Nascetti and Yifang Ban},
journal= {arXiv preprint arXiv:2306.08935},
year = {2023}
}
备注
Paper Accepted in IGARSS 2023