星上变化检测之路：通过挖掘剪枝与池化潜力实现的轻量级块级变化检测网络
计算机视觉与模式识别
2023-10-17 v1 机器学习
摘要
现有的卫星遥感变化检测(CD)方法通常将原始大尺度双时相图像对裁剪为小块对，然后使用像素级CD方法公平地处理所有小块对。然而，由于大尺度卫星遥感图像中变化稀疏，现有像素级CD方法在许多未变化区域上浪费了计算成本与内存资源，降低了在算力与内存极度受限的星上平台的处理效率。为解决此问题，我们提出一种轻量级块级CD网络(LPCDNet)，以快速剔除大尺度双时相图像对中的大量未变化块对。这有助于加速后续像素级CD处理阶段并降低其内存开销。在我们的LPCDNet中，提出一种敏感度引导的通道剪枝方法，以去除不重要通道并基于ResNet18网络构建轻量级骨干网络。随后，设计多层特征压缩(MLFC)模块来压缩并融合双时相图像块的多级特征信息。MLFC模块的输出被送入全连接决策网络以生成预测的二值标签。最后，在网络训练过程中采用加权交叉熵损失来解决变化/未变化类别不平衡问题。在两个CD数据集上的实验表明，我们的LPCDNet在边缘计算平台即NVIDIA Jetson AGX Orin上达到每秒超过1000帧，是现有方法的3倍以上且无明显CD性能损失。此外，我们的方法减少了后续像素级CD处理阶段60%以上的内存开销。
引用
@article{arxiv.2310.10166,
title = {The Road to On-board Change Detection: A Lightweight Patch-Level Change Detection Network via Exploring the Potential of Pruning and Pooling},
author = {Lihui Xue and Zhihao Wang and Xueqian Wang and Gang Li},
journal= {arXiv preprint arXiv:2310.10166},
year = {2023}
}