用于甚高分辨率遥感图像变化检测的显式变化关系学习
计算机视觉与模式识别
2023-11-15 v1
摘要
变化检测一直是遥感图像解译中备受关注的任務。它本质上是一个具有双输入独特的二分类任务,且这两个输入之间存在变化关系。目前,变化关系特征的挖掘通常隐式地包含于含单分支或双分支编码器的网络架构中。然而,由于缺乏针对变化关系特征的人工先验设计,这些网络无法学习到足够的变化语义信息,丧失了更精确的变化检测性能。因此我们提出了一种名为NAME的网络架构,用于变化关系特征的显式挖掘。我们认为,变化检测的变化特征应划分为变化前图像特征、变化后图像特征和变化关系特征。为充分挖掘这三类变化特征,我们提出了结合Transformer与卷积神经网络(CNN)的三分支网络,分别从全局信息与局部信息两个角度提取并融合这些变化特征。此外,我们设计了连续变化关系(CCR)分支,以进一步获取连续且细节的变化关系特征,提升模型的变化判别能力。实验结果表明,在四个公开甚高分辨率(VHR)遥感数据集上,我们的网络在F1、IoU和OA方面均优于现有的先进变化检测网络。我们的源代码发布于https://github.com/DalongZ/NAME。
引用
@article{arxiv.2311.07993,
title = {Explicit Change Relation Learning for Change Detection in VHR Remote Sensing Images},
author = {Dalong Zheng and Zebin Wu and Jia Liu and Chih-Cheng Hung and Zhihui Wei},
journal= {arXiv preprint arXiv:2311.07993},
year = {2023}
}