像素级自监督遥感图像变化检测
图像与视频处理
2021-10-11 v2 计算机视觉与模式识别
摘要
深度学习技术在遥感图像变化检测中取得了巨大成功。其中大多为有监督技术，通常需要大量训练数据且局限于特定应用。自监督方法作为一种无监督方法被广泛用于解决此问题，并普遍应用于无监督二值变化检测任务。然而，现有的变化检测自监督方法基于预任务或处于块(patch)级别，对于像素级变化检测任务可能并非最优。因此，本工作提出一种像素级对比方法来克服该局限。该方法通过在无标签多视角设定下对像素级特征使用对比损失来实现。在此方法中，训练一个孪生 ResUnet 以获取像素级表示并对齐来自偏移正样本对的特征。同时，利用矢量量化来增强两分支中的所学特征。最终的二值变化图通过从一个分支的特征中减去另一分支的特征并使用 Rosin 阈值法得到。为克服二值变化图中规律性季节变化的影响，我们还采用一种不确定性方法以增强所提方法的时间鲁棒性。使用两个同构(OSCD 和 MUDS)数据集与一个异构(California Flood)数据集来评估所提方法的性能。结果表明，相较于块级多视角对比方法，在效率与精度上均有提升。
引用
@article{arxiv.2105.08501,
title = {Self-supervised Remote Sensing Images Change Detection at Pixel-level},
author = {Yuxing Chen and Lorenzo Bruzzone},
journal= {arXiv preprint arXiv:2105.08501},
year = {2021}
}