迈向深度且高效：一种用于甚高分辨率影像变化检测的深度孪生自注意力全高效卷积网络
计算机视觉与模式识别
2021-08-19 v1 机器学习
图像与视频处理
摘要
近年来，全卷积网络(FCN)在变化检测(CD)领域引起了广泛关注。为追求更好的CD性能，设计更深且更复杂的FCN已成为趋势，这不可避免地带来了海量参数与难以承受的计算负担。为设计一种相当深的结构以获取更精确CD结果，同时减少参数数量以提升效率，本文提出一种极深且高效的CD网络，称为EffCDNet。在EffCDNet中，为减少深度结构带来的大量参数，引入由深度卷积与带通道混洗机制的组卷积构成的高效卷积来替代标准卷积层。在具体网络架构上，EffCDNet未采用主流的类UNet结构，而是采用极深编码器与轻量解码器的架构。在极深编码器中，两条由高效卷积堆叠而成的极深孪生流首先从输入图像对中分别提取两个具高度代表性与信息量的特征图；随后设计高效ASPP模块以捕获多尺度变化信息。在轻量解码器中，采用循环十字交叉自注意力(RCCA)模块高效利用非局部相似特征表示来增强各像素的可分性，从而有效区分变化与未变化区域。此外，为解决混淆像素的优化问题，提出两种基于信息熵的新损失函数。在两个具挑战性的CD数据集上，本方法以仅基准水平的参数数量和极低的计算开销优于其他SOTA的基于FCN的方法。
引用
@article{arxiv.2108.08157,
title = {Towards Deep and Efficient: A Deep Siamese Self-Attention Fully Efficient Convolutional Network for Change Detection in VHR Images},
author = {Hongruixuan Chen and Chen Wu and Bo Du},
journal= {arXiv preprint arXiv:2108.08157},
year = {2021}
}