JL1-CD：一个新的遥感变化检测基准与鲁棒的多教师知识蒸馏框架
计算机视觉与模式识别
2025-09-24 v4 人工智能
摘要
遥感图像中的变化检测 (CD) 在对地观测中发挥着至关重要的作用。然而，高分辨率、全面的开源数据集的稀缺性，以及在不同变化类型间实现鲁棒性能的困难，仍然是主要挑战。为了解决这些问题，我们引入了 JL1-CD，一个包含 5000 对图像的大规模亚米级 CD 数据集。我们进一步提出了一种新颖的 Origin-Partition (O-P) 策略，并将其集成到多教师知识蒸馏 (MTKD) 框架中以增强 CD 性能。O-P 策略根据变化面积比 (CAR) 划分训练集，并在每个子集上训练专门的教师模型。然后 MTKD 框架将这些教师模型中的互补知识蒸馏到一个单一的学生模型中，从而在无需额外推理成本的情况下，在各种 CAR 场景下实现改进的检测结果。我们的 MTKD 方法在 2024 年“吉林一号”杯挑战赛中表现出色，在初赛中排名第一，在决赛中排名第二。在 JL1-CD 和 SYSU-CD 数据集上的大量实验表明，MTKD 框架能够持续提升具有各种网络架构和参数大小的 CD 模型的性能，创造了新的 SOTA 结果。代码和数据集可在 https://github.com/circleLZY/MTKD-CD 获取。
引用
@article{arxiv.2502.13407,
title = {JL1-CD: A New Benchmark for Remote Sensing Change Detection and a Robust Multi-Teacher Knowledge Distillation Framework},
author = {Ziyuan Liu and Ruifei Zhu and Long Gao and Yuanxiu Zhou and Jingyu Ma and Yuantao Gu},
journal= {arXiv preprint arXiv:2502.13407},
year = {2025}
}
备注
17 pages, 9 figures