MFDS-Net：用于遥感变化检测的多尺度特征深度监督网络
计算机视觉与模式识别
2024-05-03 v1
摘要
变化检测作为计算机视觉和遥感领域的一门交叉学科，目前正受到广泛的关注和研究。由于社会的快速发展，遥感卫星捕获的地理信息变化越来越快且越来越复杂，这无疑提出了更高的挑战，并凸显了变化检测任务的价值。我们提出了 MFDS-Net：结合全局语义与细节信息的遥感变化检测多尺度特征深度监督网络(MFDS-Net)，旨在实现对变化建筑物及地理信息更精细的描述，增强变化目标的定位和弱特征的获取。为了实现研究目标，我们使用改进的 ResNet_34 作为骨干网络进行特征提取，并使用 DO-Conv 替代传统卷积，以更好地关注特征信息之间的关联并获得更好的训练效果。我们提出了全局语义增强模块(Global Semantic Enhancement Module, GSEM)，从全局视角增强高层语义信息的处理。提出了差异特征整合模块(Differential Feature Integration Module, DFIM)，以加强不同深度特征信息的融合，实现对差异特征的学习和提取。整个网络使用深度监督机制进行训练和优化。MFDS-Net 的实验结果超越了当前主流的变化检测网络。在 LEVIR 数据集上，其 F1 分数为 91.589，IoU 为 84.483；在 WHU 数据集上，F1 分数为 92.384，IoU 为 86.807；在 GZ-CD 数据集上，F1 分数为 86.377，IoU 为 76.021。代码可在 https://github.com/AOZAKIiii/MFDS-Net 获取
引用
@article{arxiv.2405.01065,
title = {MFDS-Net: Multi-Scale Feature Depth-Supervised Network for Remote Sensing Change Detection with Global Semantic and Detail Information},
author = {Zhenyang Huang and Zhaojin Fu and Song Jintao and Genji Yuan and Jinjiang Li},
journal= {arXiv preprint arXiv:2405.01065},
year = {2024}
}