＜Change is Everywhere: Single-Temporal Supervised Object Change Detection in Remote Sensing Imagery＞

图1

$$\underset{\theta }{\min }\mathcal{L}\left({\mathbf{F}}_{\theta }\left({\mathbf{X}}^{t_1},{\mathbf{X}}^{t_2}\right),{\mathbf{Y}}^{t_1\to t_2}\right)(1)$$
变化检测一个直接的思路是：使用图像分割算法对双时相图片检测出感兴趣的区域（如建筑），再进行对比得到变化区域，同时取消paried的约束，即公式2。但这种方式就单纯依赖图像分割算法。
$$\underset{\theta }{\min }\mathcal{L}\left({\mathbf{F}}_{\theta }\left({\mathbf{X}}^i,{\mathbf{X}}^j\right),\text{ compare }\left({\mathbf{Y}}^i,{\mathbf{Y}}^j\right)\right)(2)$$
本文使用单时相图片构造伪双时相图片(pseudo bitemporal image)，即公式3
$$\underset{\theta }{\min }\mathcal{L}\left({\mathbf{F}}_{\theta }\left({\mathbf{X}}^{t_1},\pi {\mathbf{X}}^{t_1}\right),{\mathbf{Y}}^{t_1}\oplus \pi {\mathbf{Y}}^{t_1}\right)(3)$$
$\pi$是对batch 的索引变换，图2a,2b两列为同一组图片，但顺序不一样，$\pi$就是训练时对一组单时相图片打乱顺序。图2c是变化区域掩码，掩码由图2a与图2b的分割掩码异或得到。图2中一行就是一个训练样本。

图2
因为用到图像分割，所以训练损失有两部分，二元分割损失和变化检测损失，使用的都是二元交叉熵损失。
$$\mathcal{L}={\mathcal{L}}_{\text{seg }}+{\mathcal{L}}_{\text{change }}(4)$$
$${\mathcal{L}}_{\text{binary }}(p,y)=-y\log (p)+(1-y)\log (1-p)(5)$$
因为变化区域在时间上是没有方向的，因此是一个对称损失，缓解过拟合问题。
$$\begin{array}{rl}{\mathcal{L}}_{\text{change }}& =\frac{1}{2}[{\mathcal{L}}_{\mathrm{b}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{r}\mathrm{y}}\left({\mathbf{F}}_{\theta }\left({\mathbf{X}}^{t_1},\pi {\mathbf{X}}^{t_1}\right),{\mathbf{Y}}^{t_1}\oplus \pi {\mathbf{Y}}^{t_1}\right)\\ & +{\mathcal{L}}_{\mathrm{b}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{r}\mathrm{y}}\left({\mathbf{F}}_{\theta }\left(\pi {\mathbf{X}}^{t_1},{\mathbf{X}}^{t_1}\right),{\mathbf{Y}}^{t_1}\oplus \pi {\mathbf{Y}}^{t_1}\right)]\end{array}(6)$$
整个方法的训练过程如图3

图3
实验部分主要与弱监督方法PCC对比，还有超参数的选择和消融实验。
最后是本文方法与使用图像分割对比的方法在训练时的收敛情况对比，如图4。((0, 40] epochs)时完分割比较的方法性能更好， ((40, 60] epochs)性能持平，之后 ，本文方法更好。说明该方法可以学习到额外的对比信息辅助变化检测。

图4