以动制静：基于粗粒度时间前景挖掘的遥感变化检测
计算机视觉与模式识别
2024-08-16 v1 人工智能
摘要
现有工作主要利用双时相影像解决遥感变化检测任务，虽已取得良好性能，但鲜有研究考虑同样至关重要的运动线索。本工作重新审视广泛采用的双时相影像框架，提出一种新颖的粗粒度时间挖掘增强（CTMA）框架。具体而言，给定双时相影像，首先通过插值操作将其转换为视频，随后采用一组时间编码器从所得视频中提取运动特征，用于粗粒度变化区域预测。在此基础上，设计了一种新颖的粗粒度前景增强空间编码器模块以整合全局与局部信息。同时引入运动增强策略，利用运动线索作为附加输出与空间特征融合以提升结果。此外，将输入影像对送入ResNet以获取不同特征及空间块用于细粒度特征学习。更重要的是，提出掩码增强策略，利用粗粒度变化区域，将其融入解码器模块中以增强最终变化预测。在多个基准数据集上进行的广泛实验充分验证了所提框架在遥感影像变化检测中的有效性。本论文的源代码将发布于 https://github.com/Event-AHU/CTM_Remote_Sensing_Change_Detection
引用
@article{arxiv.2408.08078,
title = {Treat Stillness with Movement: Remote Sensing Change Detection via Coarse-grained Temporal Foregrounds Mining},
author = {Xixi Wang and Zitian Wang and Jingtao Jiang and Lan Chen and Xiao Wang and Bo Jiang},
journal= {arXiv preprint arXiv:2408.08078},
year = {2024}
}
备注
In Peer Review