基于块邻接矩阵的时空驱动注意力图神经网络（STAG-NN-BA）用于遥感土地利用变化检测
计算机视觉与模式识别
2026-02-16 v2
摘要
土地利用监测是空间规划的基础，尤其在考虑全球人口增长与气候变化的复合影响时。尽管深度学习已应用于土地利用监测，深度神经网络中的标准卷积核将这些网络的应用限制于欧氏域。考虑到地球表面测量的测地性质，遥感正是可从非欧氏与球面域受益的领域之一。为此，我们设计了一种新颖的图神经网络架构，利用卫星影像进行空间与时空分类，以获取社会经济指标洞察。我们提出一种混合注意力方法，以学习遥感数据中不规则邻域的相对重要性。我们不对每个像素分类，而是提出一种基于简单线性迭代聚类（SLIC）图像分割与图注意力网络的方法。由 SLIC 得到的超像素成为我们图卷积网络（GCN）的节点。随后构建区域邻接图（RAG），其中每个超像素与影像中其他相邻超像素相连，使信息能够全局传播。最后，我们提出空间驱动注意力图神经网络（SAG-NN）对每个 RAG 分类。我们还提出了 SAG-NN 面向时空数据的扩展。不同于影像中规则的像素网格，超像素本质不规则，无法用于创建时空图。我们通过将每幅影像中未连接的 RAG 组合为一个超级图来引入时间偏置。这通过引入块邻接矩阵实现，从而得到新颖的基于块邻接矩阵的时空驱动注意力图神经网络（STAG-NN-BA）。SAG-NN 与 STAG-NN-BA 在 Asia14 与 C2D2 数据集上高效地优于图与非图基线。
引用
@article{arxiv.2303.14322,
title = {Spatio-Temporal driven Attention Graph Neural Network with Block Adjacency matrix (STAG-NN-BA) for Remote Land-use Change Detection},
author = {Usman Nazir and Wadood Islam and Sara Khalid and Murtaza Taj},
journal= {arXiv preprint arXiv:2303.14322},
year = {2026}
}