Dsfer-Net：一种基于现代 Hopfield 网络用于双时相变化检测的深度监督与特征检索网络
计算机视觉与模式识别
2024-06-05 v2
摘要
变化检测作为高分辨率遥感图像的重要应用，旨在监测与分析地表随时间的变更。由于高分辨率遥感数据量快速增长及纹理特征复杂，已有若干基于深度学习的定量方法被提出。这些方法通过提取深层特征并融合时空信息，优于传统变化检测方法。然而，关于深层特征如何提升检测性能仍缺乏合理解释。在我们的研究中发现，现代 Hopfield 网络层显著增强了语义理解。本文提出一种用于双时相变化检测的深度监督与特征检索网络（Dsfer-Net）。具体而言，通过全卷积孪生网络联合提取双时相图像的高代表性深层特征。基于双时相图像的时序地理信息，我们设计了特征检索模块以提取差异特征，并以深度监督方式利用判别性信息。此外，我们观察到深度监督特征检索模块为该网络深层中的语义理解提供了可解释证据。最后，我们的端到端网络通过聚合来自不同层的检索特征与特征对建立了新颖框架。在三个公开数据集（LEVIR-CD、WHU-CD 与 CDD）上的实验证实了所提 Dsfer-Net 相对于其他最先进方法的优越性。
引用
@article{arxiv.2304.01101,
title = {Dsfer-Net: A Deep Supervision and Feature Retrieval Network for Bitemporal Change Detection Using Modern Hopfield Networks},
author = {Shizhen Chang and Michael Kopp and Pedram Ghamisi and Bo Du},
journal= {arXiv preprint arXiv:2304.01101},
year = {2024}
}