基于知识蒸馏与多尺度 Sigmoid 推理的弱监督变化检测
计算机视觉与模式识别
2024-03-12 v1
摘要
变化检测旨在从一对多时相图像中检测由自然或人为原因引起的空间变化，已广泛应用于遥感、灾害管理、城市管理等领域。然而，大多数现有的变化检测方法都是全监督的，需要耗费大量人力的像素级标签。为了解决这个问题，我们开发了一种基于知识蒸馏与多尺度 Sigmoid 推理（KD-MSI）的新型弱监督变化检测技术，该技术利用图像级标签。在我们的方法中，类激活图（CAM）不仅被用于推导变化概率图，还作为知识蒸馏过程的基础。这是通过教师和学生网络的联合训练策略实现的，使学生网络能够基于图像级标签比教师网络更准确地突出显示潜在变化区域。此外，我们设计了多尺度 Sigmoid 推理（MSI）模块作为后处理步骤，以进一步细化来自训练后的学生网络的变化概率图。在三个公开数据集（即 WHU-CD、DSIFN-CD 和 LEVIR-CD）上的实验结果表明，我们提出的技术凭借其集成的训练策略，显著优于现有最先进方法。
关键词
引用
@article{arxiv.2403.05796,
title = {Weakly Supervised Change Detection via Knowledge Distillation and Multiscale Sigmoid Inference},
author = {Binghao Lu and Caiwen Ding and Jinbo Bi and Dongjin Song},
journal= {arXiv preprint arXiv:2403.05796},
year = {2024}
}
备注
code is available: https://github.com/BinghaoLu/KD-MSI