DAM-Net：基于差分注意力度量的视觉Transformer利用SAR影像进行全球洪水检测
计算机视觉与模式识别
2023-06-02 v1
摘要
利用高分辨率合成孔径雷达（SAR）影像检测淹没区域是一项关键任务，在危机与灾害管理以及环境资源规划中有诸多应用。然而，SAR图像的复杂性带来了一项挑战，常导致对洪水范围的过高估计。为解决此问题，我们在本研究中提出一种新颖的基于差分注意力度量的网络（DAM-Net）。DAM-Net包含两个关键组件：一个权重共享的Siamese骨干网络，用于获取多时相图像的多尺度变化特征以及包含水体变化高层语义信息的token；以及一个时序差分融合（TDF）模块，该模块整合语义token与变化特征以生成具有更少散斑噪声的洪水图。具体而言，骨干网络被划分为多个阶段。在每个阶段中，我们设计了三个模块，即时序特征提取（TWFE）、跨时相变化注意力（CTCA）和时序感知变化增强（TACE），以有效提取变化特征。在最后阶段的TACE中，我们引入一个类token，通过注意力机制记录水体变化的高层语义信息。数据驱动的深度学习算法面临的另一挑战是洪水检测数据集的有限可用性。为克服这一点，我们创建了S1GFloods开源数据集，这是一个全球尺度的高分辨率Sentinel-1 SAR图像对数据集，覆盖2015至2022年间的46起全球洪水事件。在S1GFloods数据集上使用所提DAM-Net的实验表明，相较于最先进的方法，在总体精度、F1-score和IoU方面取得了顶尖结果，分别达到97.8%、96.5%和93.2%。我们的数据集与代码将在 https://github.com/Tamer-Saleh/S1GFlood-Detection 在线提供。
引用
@article{arxiv.2306.00704,
title = {DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers},
author = {Tamer Saleh and Xingxing Weng and Shimaa Holail and Chen Hao and Gui-Song Xia},
journal= {arXiv preprint arXiv:2306.00704},
year = {2023}
}
备注
16 pages, 11 figures