ELGC-Net：面向遥感图像变化检测的高效局部-全局上下文聚合
计算机视觉与模式识别
2024-03-27 v1
摘要
深度学习在遥感图像变化检测（CD）中取得显著成功，旨在识别两个不同时间戳下共配准卫星影像对之间的语义变化区域。然而，现有基于卷积神经网络和变换器的框架往往难以准确分割语义变化区域。此外，基于变换器的方法由于采用标准自注意力机制，在图像分辨率上呈现二次计算复杂度，导致在训练数据有限的CD任务中不够实用。为此，我们提出一种高效变化检测框架——ELGC-Net，通过利用丰富的上下文信息精确估计变化区域，同时降低模型规模。ELGC-Net由Siamese编码器、融合模块和解码器组成。我们的设计核心在于在编码器中引入高效局部-全局上下文聚合器模块，通过新颖的池化-转置（PT）注意力和深度卷积，分别捕获增强的全局上下文和局部空间信息。PT注意力采用池化操作进行稳健特征提取，并通过转置注意力最小化计算成本。在三个具有挑战性的CD数据集上进行大量实验表明，ELGC-Net在已有方法上取得优异性能。与最新基于变换器的CD方法（ChangeFormer）相比，ELGC-Net在LEVIR-CD数据集上以交并比指标提升1.4%，同时显著减少可训练参数。我们提出的ELGC-Net在遥感图像变化检测基准测试中取得了新的最佳性能。最后，我们还引入ELGC-Net-LW，一种轻量化变体，显著降低计算复杂度，适用于资源受限环境，同时实现可比的性能。项目网址 https://github.com/techmn/elgcnet。
引用
@article{arxiv.2403.17909,
title = {ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection},
author = {Mubashir Noman and Mustansar Fiaz and Hisham Cholakkal and Salman Khan and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2403.17909},
year = {2024}
}
备注
accepted at IEEE TGRS