基于超分辨率的堆叠注意力模块异分辨率图像变化检测网络
图像与视频处理
2021-06-24 v1 计算机视觉与模式识别
机器学习
摘要
变化检测旨在基于双时相图像区分地表变化，在生态保护和城市规划中起着至关重要的作用。由于高分辨率（HR）图像通常无法随时间连续获取，实际应用中常采用不同分辨率的双时相图像进行变化检测。传统的基于亚像元的不同分辨率图像变化检测方法在使用HR图像时可能因类内异质性和类间相似性而导致显著的误差累积。因此，有必要开发一种更适合HR图像、用于不同分辨率图像变化检测的新方法。为此，我们提出了一种带有堆叠注意力模块的基于超分辨率的变化检测网络（SRCDNet）。SRCDNet采用包含生成器和判别器的超分辨率（SR）模块，通过对抗学习直接学习SR图像，克服双时相图像间的分辨率差异。为增强多尺度特征中的有用信息，在特征提取器中集成了由五个卷积块注意力模块（CBAM）组成的堆叠注意力模块。最终变化图通过基于度量学习的变化决策模块获得，该模块计算双时相特征之间的距离图。实验结果表明了所提方法的优越性，其不仅在建筑变化检测数据集上以最高F1分数87.40%、在变化检测数据集上以92.94%优于所有基线方法，而且在具有4倍和8倍分辨率差异的图像实验中取得了最佳精度。SRCDNet的源代码将发布于 https://github.com/liumency/SRCDNet。
引用
@article{arxiv.2103.00188,
title = {Super-resolution-based Change Detection Network with Stacked Attention Module for Images with Different Resolutions},
author = {Mengxi Liu and Qian Shi and Andrea Marinoni and Da He and Xiaoping Liu and Liangpei Zhang},
journal= {arXiv preprint arXiv:2103.00188},
year = {2021}
}