联合时空建模用于遥感图像语义变化检测
计算机视觉与模式识别
2024-02-23 v4
摘要
语义变化检测(SCD)指同时提取遥感图像(RSIs)中变化区域与语义类别（变化前后）的任务。这比二值变化检测(BCD)更有意义，因为它支持对观测区域的详细变化分析。先前工作确立了三分支卷积神经网络(CNN)架构作为SCD的范式。然而，利用有限数量的变化样本挖掘语义信息仍具挑战。本工作中，我们研究联合考虑时空依赖性以提升SCD精度。首先，我们提出语义变化Transformer (SCanFormer)显式建模双时相RSIs之间的“从到”语义转移。然后，我们引入一种语义学习方案，利用与SCD任务一致的时空约束来引导语义变化的学习。所得网络(SCanNet)在关键语义变化检测与双时相结果语义一致性方面均显著优于基线方法，并在两个SCD基准数据集上达到SOTA精度。
引用
@article{arxiv.2212.05245,
title = {Joint Spatio-Temporal Modeling for the Semantic Change Detection in Remote Sensing Images},
author = {Lei Ding and Jing Zhang and Kai Zhang and Haitao Guo and Bing Liu and Lorenzo Bruzzone},
journal= {arXiv preprint arXiv:2212.05245},
year = {2024}
}