摘要:
遥感影像变化检测 广泛应用于 城市变化检测、灾害评估等领域。然而,现有的大多数基于 CNN 的变化检测方法 仍然存在 伪变化抑制不足 和 特征表示不足的问题。在这项工作中,提出了一种 基于 具有平滑机制的任务相关自监督学习变化检测网络(TSLCD)的无监督变化检测方法来消除它。
Contributions:
(1) 引入了任务相关的自监督学习模块,以更有效地提取空间特征。
(2) 应用 hard-sample-mining 损失函数来更加关注难以分类的样本。
(3) 采用 平滑机制 去除部分伪变化和噪声。
在四个遥感变化检测数据集上的实验表明,所提出的 TSLCD 方法实现了最先进的变化检测任务。
Introduction:
变化检测 在人类对遥感图像的解译中 起着重要作用。一方面,变化检测任务可以 及时准确地 检测出土地发生变化的区域。另一方面,它为 土地管理 和 预测变化趋势 提供了依据。其应用领域和研究范围也非常广泛,包括土地覆盖变化检测[1]、森林覆盖检测[2]、湿地变化检测[3]、市区扩张[4]、灾害评估[5]、和海岸线变化[6]。
在过去的几十年中,已经开发了许多技术来 检测 多时相遥感图像的变化。这些方法中的大多数可以分为两类:有监督的和无监督的[7]。在经典的监督方法中,Mou 等人。 [8] 提出了 ReCNN,它被训练以提取联合光谱-空间-时间特征表示。赵等人。 [9] 提出 MeGAN 来探索 用于伪变化抑制 的季节性不变特征。张等人。 [10] 使用遥感图像场景分类数据集 对网络进行预训练,然后利用 迁移学习 和 共享权重网络 生成多尺度特征差异图用于变化检测。这些方法需要先验知识和大量手动标记的样本,否则模型的通用性和鲁棒性会降低 [11,12,13]。
为了解决这个问题,在过去的几十年中已经提出了许多无监督的变化检测方法。萨哈等人。 [14] 提出 DCVA 通过 生成光谱变化向量 来获得差异图像,并通过 基于阈值 或 基于聚类 的方法获得最终的变化图。韩等人。 [15]提出了K-T变换,它基于多维光谱空间中