DASNet：用于高分辨率卫星图像变化检测的双注意力全卷积孪生网络
计算机视觉与模式识别
2020-11-12 v2
摘要
变化检测是遥感图像处理的一项基础任务。研究目标是识别感兴趣的变化信息并滤除作为干扰因素的不相关变化信息。近年来，深度学习的兴起为变化检测提供了新工具，并取得了令人印象深刻的成果。然而，现有方法主要关注多时相遥感图像之间的差异信息，对伪变化信息缺乏鲁棒性。为克服当前方法对伪变化抵抗不足的缺陷，本文提出一种新方法，即用于高分辨率图像变化检测的双注意力全卷积孪生网络（DASNet）。通过双注意力机制，捕获长程依赖以获得更具判别力的特征表示，从而增强模型的识别性能。此外，样本不平衡是变化检测中的严重问题，即未变化样本远多于变化样本，这是导致伪变化的主要原因之一。我们提出加权双边界对比损失，通过惩罚对未变化特征对的注意力并增加对变化特征对的注意力来解决该问题。所提方法在变化检测数据集（CDD）和建筑物变化检测数据集（BCDD）上的实验结果表明，与其他基线方法相比，该方法在F1分数上分别实现了2.1%和3.6%的最大提升。我们的Pytorch实现可在https://github.com/lehaifeng/DASNet获取。
引用
@article{arxiv.2003.03608,
title = {DASNet: Dual attentive fully convolutional siamese networks for change detection of high resolution satellite images},
author = {Jie Chen and Ziyang Yuan and Jian Peng and Li Chen and Haozhe Huang and Jiawei Zhu and Yu Liu and Haifeng Li},
journal= {arXiv preprint arXiv:2003.03608},
year = {2020}
}
备注
12 pages, 13 figures, 5 tables