用于遥感图像变化检测的全Transformer网络
计算机视觉与模式识别
2022-10-04 v1 机器学习
多媒体
摘要
近来，随着深度学习的进展，遥感图像变化检测（CD）取得了巨大进步。然而，由于提取的视觉特征表示能力有限，当前方法通常给出不完整的CD区域与不规整的CD边界。为缓解这些问题，本工作中我们提出一种名为全Transformer网络（FTN）的新型学习框架用于遥感图像CD，其从全局视角改进特征提取并以金字塔方式组合多级视觉特征。更具体地，所提框架首先利用Transformer在长程依赖建模上的优势，有助于学习更具判别力的全局级特征并获得完整CD区域。随后，我们引入金字塔结构以聚合来自Transformer的多级视觉特征用于特征增强。嫁接了渐进注意力模块（PAM）的金字塔结构可通过通道注意力以额外的相互依赖关系提升特征表示能力。最后，为更好地训练框架，我们利用带多个边界感知损失函数的深度监督学习。大量实验证明，我们提出的方法在四个公开CD基准上取得了新的最先进性能。为复现模型，源代码发布于 https://github.com/AI-Zhpp/FTN。
引用
@article{arxiv.2210.00757,
title = {Fully Transformer Network for Change Detection of Remote Sensing Images},
author = {Tianyu Yan and Zifu Wan and Pingping Zhang},
journal= {arXiv preprint arXiv:2210.00757},
year = {2022}
}
备注
18 pages, 6 figures and 5 tables. This work will appear in ACCV2022 as a poster paper