基于时序特征细化和多任务集成的卫星图像时间序列连续城市变化检测
计算机视觉与模式识别
2025-06-10 v3
摘要
城市化以前所未有的速度推进，导致环境和社会方面的负面影响。遥感技术可通过提供精准的城市 growth 信息来支持可持续发展策略。深度学习方法已使用卷积神经网络（ConvNets）、transformer和多任务学习 setup 从光学卫星图像对上实现了令人期待的城市变化检测结果。然而，双时相方法在连续城市变化检测中受限，即检测来自卫星图像时间序列（SITS）中相邻图像对的变化，因为未充分利用多时相数据（>2图像）。现有多时相变化检测方法另一方面会压缩时序维度，限制其捕获连续城市变化的能力。此外，多任务学习方法缺乏结合 change 和 segmentation 输出的集成方法。为解决这些挑战，我们提出了包含两个关键模块的连续城市变化检测框架。时序特征细化（TFR）模块采用自注意力机制来提高基于ConvNet的多时相建筑表示。TFR模块保留时序维度，实现连续变化的检测。多任务集成（MTI）模块利用马尔可夫网络根据分割和稠密 change 输出寻找最佳建筑图序列。该框架在F1分数分别达到0.551（PlanetScope星光座）、0.440（高峰-2）和0.543（WorldView-2）的高分辨率SITS上有效识别城市变化。此外，我们在三个具有挑战性的数据集上进行的实验表明，该框架在双时相和多时相城市变化检测和分割方法方面均表现出色。
引用
@article{arxiv.2406.17458,
title = {Continuous Urban Change Detection from Satellite Image Time Series with Temporal Feature Refinement and Multi-Task Integration},
author = {Sebastian Hafner and Heng Fang and Hossein Azizpour and Yifang Ban},
journal= {arXiv preprint arXiv:2406.17458},
year = {2025}
}
备注
Accepted to IEEE Transactions on Geoscience and Remote Sensing, Code will be available at https://github.com/SebastianHafner/ContUrbanCD.git