面向更广泛遥感变化检测的轻量级适配器学习
计算机视觉与模式识别
2025-04-29 v1 人工智能
摘要
深度学习方法在遥感图像变化检测（CD）中展现出前景的性能。然而，现有方法通常为每个数据集训练数据集特定的深度网络。由于不同数据集在数据分布和标注方面的显著差异，训练出的数据集特定深度网络在其他数据集上表现出差劲的泛化性能。为解决此问题，本文提出了一种更通用和泛化的变化检测适配器网络（CANet）。CANet 包含数据集共享模块和数据集特定学习模块。前者探索图像的判别特征，后者设计轻量级适配器模型，以处理不同数据集在数据分布和标注方面的特征。轻量级适配器可在较小计算成本下快速泛化深度网络以适应新的 CD 任务。具体而言，本文在适配器中提出了一种有趣的变化区域掩码（ICM），可自适应地聚焦感兴趣的变化对象并降低不同数据集标注差异的影响。此外，CANet 采用每个数据集独有的批量归一化层以处理数据分布差异。与现有深度学习方法相比，CANet 可同时在多个数据集上实现令人满意的 CD 性能。实验结果表明，CANet 在 CD 任务上具有更强的泛化能力、较小的训练成本（仅更新 4.1%~7.7% 参数），且在受限训练数据集下表现更好，这些优势也可灵活地集成到现有的深度模型中。
引用
@article{arxiv.2504.19598,
title = {Lightweight Adapter Learning for More Generalized Remote Sensing Change Detection},
author = {Dou Quan and Rufan Zhou and Shuang Wang and Ning Huyan and Dong Zhao and Yunan Li and Licheng Jiao},
journal= {arXiv preprint arXiv:2504.19598},
year = {2025}
}