TINYCD:一种(并不那么)深度的变化检测学习模型
计算机视觉与模式识别
2022-11-08 v2 机器学习
图像与视频处理
摘要
本文中,我们提出一种轻量且高效的变化检测模型,称为 TinyCD。由于工业需求,该模型被设计为比当前最先进的变化检测模型更快且更小。尽管比所比较的变化检测模型小 13 至 140 倍,且计算复杂度至少为其三分之一,我们的模型在 LEVIR-CD 数据集上的 F1 分数和 IoU 均至少超越当前最先进模型 ,在 WHU-CD 数据集上超越 以上。为取得这些结果,TinyCD 使用孪生 U-Net 架构,以全局时间且局部空间的方式利用低级特征。此外,它采用一种新的策略在空间-时间域中混合特征,既用于合并从孪生主干网络获得的嵌入,又结合 MLP 块构成一种新颖的空间-语义注意力机制,即混合与注意力掩码块(MAMB)。源代码、模型与结果见:https://github.com/AndreaCodegoni/Tiny_model_4_CD
引用
@article{arxiv.2207.13159,
title = {TINYCD: A (Not So) Deep Learning Model For Change Detection},
author = {Andrea Codegoni and Gabriele Lombardi and Alessandro Ferrari},
journal= {arXiv preprint arXiv:2207.13159},
year = {2022}
}