用于 VHR 遥感图像无监督变化检测的分割变化模型（SCM）：以建筑物为例
计算机视觉与模式识别
2024-09-09 v2
摘要
遥感（RS）领域广泛采用基于超高分辨率（VHR）图像的变化检测（CD）。大多数现有的基于深度学习的方法依赖于标注样本来完成 CD 过程。最近，视觉基础模型（VFM）的出现使得在特定视觉任务中进行零样本预测成为可能。在这项工作中，我们提出了一种名为分割变化模型（SCM）的无监督 CD 方法，该方法构建于 Segment Anything Model (SAM) 和 Contrastive Language-Image Pre-training (CLIP) 之上。我们的方法重新校准了在不同尺度提取的特征，并以自顶向下的方式整合它们，以增强判别性变化边缘。我们进一步设计了一种创新的分段语义注意力（PSA）方案，该方案无需训练即可提供语义表示，从而最大限度地减少伪变化现象。通过在两个公共数据集上进行实验，提出的 SCM 将 LEVIR-CD 数据集上的 mIoU 从 46.09% 提高到 53.67%，将 WHU-CD 数据集上的 mIoU 从 47.56% 提高到 52.14%。我们的代码可在 https://github.com/StephenApX/UCD-SCM 获取。
引用
@article{arxiv.2312.16410,
title = {Segment Change Model (SCM) for Unsupervised Change detection in VHR Remote Sensing Images: a Case Study of Buildings},
author = {Xiaoliang Tan and Guanzhou Chen and Tong Wang and Jiaqi Wang and Xiaodong Zhang},
journal= {arXiv preprint arXiv:2312.16410},
year = {2024}
}
备注
Published in: IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium