单时序监督学习：通用遥感变化检测
计算机视觉与模式识别
2024-06-25 v1
摘要
双时序监督学习范式始终主导着大量标记的双时序遥感图像变化检测，尤其是高空间分辨率 (HSR) 遥感图像。然而，对大规模双时序 HSR 遥感图像对进行区域标记需要大量昂贵且耗时的劳动力。本文从利用未成对图像之间的变化作为监督信号的新角度出发，提出了单时序监督学习 (STAR) 方法，用于通用遥感变化检测。STAR 使我们仅使用未成对的标记图像即可训练高精度的变化检测器，并可推广到实际的双时序图像对。为展示 STAR 的灵活性和可扩展性，我们设计了一个简单且统一的变化检测器，称为 ChangeStar2，能够在一个架构中解决二分类变化检测、目标变化检测和语义变化检测。ChangeStar2 在覆盖上述两种监督设置、多种变化类型和多种情景的八个公开遥感变化检测数据集上实现了最先进的性能。代码可在 https://github.com/Z-Zheng/pytorch-change-models 查阅。
引用
@article{arxiv.2406.15694,
title = {Single-Temporal Supervised Learning for Universal Remote Sensing Change Detection},
author = {Zhuo Zheng and Yanfei Zhong and Ailong Ma and Liangpei Zhang},
journal= {arXiv preprint arXiv:2406.15694},
year = {2024}
}
备注
IJCV 2024. arXiv admin note: text overlap with arXiv:2108.07002