TransY-Net：用于遥感图像变化检测的全 Transformer 网络学习
计算机视觉与模式识别
2023-10-24 v1 多媒体
摘要
在遥感领域，变化检测（CD）旨在从同一地点双时相图像中识别并定位变化区域。近年来，随着深度学习的进展，该任务已取得巨大进步。然而，现有方法因所提取视觉特征表征能力有限，通常给出不完整的变化区域与不规则的变化边界。为缓解这些问题，本文提出一种名为 TransY-Net 的基于 Transformer 的遥感图像变化检测学习框架，其从全局视角改进特征提取，并以金字塔方式融合多级视觉特征。具体而言，该框架首先利用 Transformer 在长程依赖建模上的优势，有助于学习更具判别力的全局级特征并获得完整变化区域。随后，我们引入一种新颖金字塔结构，聚合来自 Transformer 的多级视觉特征以实现特征增强。该金字塔结构嫁接渐进注意力模块（PAM），可通过空间与通道注意力以额外相互依赖关系提升特征表征能力。最后，为更好训练整体框架，我们采用具有多边界感知损失函数的深度监督学习。大量实验表明，所提方法在四个光学与两个 SAR 图像变化检测基准上取得了新的 SOTA 性能。源代码发布于 https://github.com/Drchip61/TransYNet。
引用
@article{arxiv.2310.14214,
title = {TransY-Net:Learning Fully Transformer Networks for Change Detection of Remote Sensing Images},
author = {Tianyu Yan and Zifu Wan and Pingping Zhang and Gong Cheng and Huchuan Lu},
journal= {arXiv preprint arXiv:2310.14214},
year = {2023}
}
备注
This work is accepted by TGRS2023. It is an extension of our ACCV2022 paper and arXiv:2210.00757