DeepCL：度量空间下遥感图像的深度变化特征学习
计算机视觉与模式识别
2023-07-25 v1 人工智能
摘要
变化检测 (CD) 是地球观测领域中用于监测地表动态的一项重要且具挑战性的任务。深度学习技术的出现近年来将自动 CD 推向了一场技术革命。然而，基于深度学习的 CD 方法仍受两个主要问题困扰：1) 时间关系建模不足与 2) 伪变化误分类。为解决这些问题，我们将度量学习的强时间建模能力与分割的突出拟合能力互补，提出了一种用于鲁棒且可解释 CD 的深度变化特征学习 (DeepCL) 框架。首先，我们设计了一种难样本感知对比损失，其对难样本与简单样本的重要性进行重加权。该损失允许对双时相遥感图像之间的时间相关性进行显式建模。此外，所建模的时间关系被用作知识先验以引导分割过程检测变化区域。DeepCL 框架在理论与实验上均得到充分评估，展示了其优越的特征判别力、对伪变化的鲁棒性以及对多种 CD 算法的适应性。大量对比实验证实了 DeepCL 在定量与定性上优于最先进的 CD 方法。
引用
@article{arxiv.2307.12208,
title = {DeepCL: Deep Change Feature Learning on Remote Sensing Images in the Metric Space},
author = {Haonan Guo and Bo Du and Chen Wu and Chengxi Han and Liangpei Zhang},
journal= {arXiv preprint arXiv:2307.12208},
year = {2023}
}
备注
12 pages,7 figures, submitted to IEEE Transactions on Image Processing