FCCDN: 用于甚高分辨率影像变化检测的特征约束网络
计算机视觉与模式识别
2021-09-03 v2
摘要
变化检测是识别双时相共配准影像中逐像素差异的过程,对地球观测具有重要意义。近年来,随着深度学习(DL)的出现,基于深度卷积神经网络(CNN)的方法在变化检测领域的效力与可行性已得到证明。然而,对于变化特征学习仍缺乏有效的监督。本工作提出一种特征约束变化检测网络(FCCDN)。我们在双时相特征提取与特征融合两个阶段均对特征进行约束。更具体地,我们为变化检测任务设计了一种双编码器-解码器网络骨干。在该骨干的中心,我们设计了一个非局部特征金字塔网络以提取并融合多尺度特征。为以鲁棒方式融合双时相特征,我们构建了基于稠密连接的特征融合模块。此外,提出了一种基于自监督学习的策略来约束特征学习。基于FCCDN,我们在两个建筑物变化检测数据集(LEVIR-CD与WHU)上取得了当前最优性能。在LEVIR-CD数据集上,我们取得了0.8569的IoU与0.9229的F1分数;在WHU数据集上,我们取得了0.8820的IoU与0.9373的F1分数。此外,我们首次在不使用语义分割标签的情况下实现了准确的双时相语义分割结果获取,这对于变化检测的应用至关重要,因为它节省了标注成本。
引用
@article{arxiv.2105.10860,
title = {FCCDN: Feature Constraint Network for VHR Image Change Detection},
author = {Pan Chen and Danfeng Hong and Zhengchao Chen and Xuan Yang and Baipeng Li and Bing Zhang},
journal= {arXiv preprint arXiv:2105.10860},
year = {2021}
}
备注
46 pages, 16 figures. Submitted to ISPRS Journal of Photogrammetry and Remote Sensing. Under review