GlobalMind：用于高光谱变化检测的全局多头交互自注意力网络
计算机视觉与模式识别
2023-04-19 v1 图像与视频处理
摘要
地球表面的高光谱分辨率影像使用户能够细粒度地监测随时间的变化，在农业、国防和应急响应中发挥着日益重要的作用。然而，当前大多数算法仍局限于描述局部特征，未能融入全局视角，这限制了它们捕捉全局特征间交互的能力，通常导致变化区域不完整。本文中，我们提出一种全局多头交互自注意力变化检测网络（GlobalMind）来探索不同地表物体与多变土地覆盖变换之间的隐含关联，从而全面理解数据并获得准确的变化检测结果。首先，设计了一种简单而有效的全局轴向分割（GAS）策略，沿高光谱图像的行空间或列空间扩展自注意力计算，以高效率实现全局连接。其次，基于GAS，构建了全局空间多头交互自注意力（Global-M）模块，从整个丰富复杂的高光谱空间中挖掘涉及地物间潜在关联的空间-光谱特征。此外，为获取准确而完整的跨时相变化，我们设计了全局时相交互多头自注意力（GlobalD）模块，该模块结合了双时相空间-光谱特征的相关性与差异，借助GAS融合局部与全局范围内同类变化的潜在信息。我们在五个最常用的高光谱数据集上进行了大量实验，所提方法以高精度和高效率优于当前最优（SOTA）算法。
引用
@article{arxiv.2304.08687,
title = {GlobalMind: Global Multi-head Interactive Self-attention Network for Hyperspectral Change Detection},
author = {Meiqi Hu and Chen Wu and Liangpei Zhang},
journal= {arXiv preprint arXiv:2304.08687},
year = {2023}
}
备注
14 page, 18 figures