DDLNet: 基于双域学习的遥感变化检测增强方法
计算机视觉与模式识别
2024-06-21 v1
摘要
遥感变化检测(RSCD)旨在通过分析多时相遥感图像来识别感兴趣区域的变化,对局部发展监测具有重要价值。现有的RSCD方法致力于空间域中的上下文建模以增强感兴趣的变化。尽管取得了令人满意的性能,但频域知识的缺乏限制了模型性能的进一步提升。本文提出了DDLNet,一种基于双域学习(即频域和空间域)的RSCD网络。具体而言,我们设计了一个频域增强模块(FEM),利用离散余弦变换(DCT)从输入的双时相图像中捕获频率分量,从而增强感兴趣的变化。此外,我们设计了一个空间域恢复模块(SRM),用于融合时空特征以重建变化表示的空间细节。在三个基准RSCD数据集上的大量实验表明,所提出的方法达到了最先进的性能,并实现了更令人满意的精度-效率权衡。我们的代码公开在 https://github.com/xwmaxwma/rschange。
引用
@article{arxiv.2406.13606,
title = {DDLNet: Boosting Remote Sensing Change Detection with Dual-Domain Learning},
author = {Xiaowen Ma and Jiawei Yang and Rui Che and Huanting Zhang and Wei Zhang},
journal= {arXiv preprint arXiv:2406.13606},
year = {2024}
}
备注
ICME 2024 Oral