RDP-Net：用于变化检测的区域细节保留网络

RDP-Net: Region Detail Preserving Network for Change Detection

摘要

变化检测（CD）是一种必不可少的地球观测技术。它捕捉地物的动态信息。随着深度学习的兴起，神经网络（NN）在 CD 中显示出巨大的潜力。然而，当前的 NN 模型引入了在学习过程中丢失细节信息的骨干架构。此外，当前的 NN 模型参数繁多，这阻碍了它们在无人机等边缘设备上的部署。在这项工作中，我们通过提出 RDP-Net 来解决这个问题：一个用于 CD 的区域细节保留网络。我们提出了一种有效的训练策略，可以在 NN 训练的热身期间量化单个样本的重要性。然后，我们根据重要性分数执行非均匀抽样，以便神经网络可以从易到难学习细节信息。接下来，我们提出了一种有效的边缘损失，可以提高网络对边界和小区域等细节的关注。因此，我们提供了一个 NN 模型，该模型仅用 170 万个参数就可以在 CD 中实现最先进的经验性能。我们希望我们的 RDP-Net 能够使紧凑型设备上的实际 CD 应用受益，并可以激励更多的人通过有效的训练策略将变化检测提升到一个新的水平。
在本文中，我们通过提出 RDP-Net：一个用于 CD 的区域细节保留网络来积极回答这个问题。我们提出了一种有效的训练策略和有效的边缘丢失，以便更好地建模变化检测的细节。我们提出了一个全新的神经网络主干，专注于保留区域细节。这三个因素加强了我们的方法。
首先，遥感影像中的CD面临着各种挑战和形势。一些变化区域可能包含数千个像素，而其中一些可能只需要几个像素。不同场景的检测难度不同。从模型训练的角度来看，每个样本的重要性是不同的。这种差异使网络训练更加困难。在本文中，我们提出了一种在 NN 训练的早期阶段寻找重要样本的策略。在用五个 epoch 的训练预热 NN 之后，我们使用每个训练样本的损失函数作为它们的重要性得分。在接下来的训练迭代中，我们根据它们的重要性执行非均匀抽样。在这项工作中，我们比较了抽样策略：
（1）将训练数据集分成简单、中等和困难的子集。接下来，在这三个子集上从易到难训练 NN 模型。
(2) 根据训练样本的重要性得分直接进行自适应采样。
我们在实际场景数据集上进行了实验，观察到第一种方法可以取得更好的性能，减少训练过程中的计算量，加快网络的收敛速度。
其次，变化区域的边界没有很好地处理，仍然是遥感变化检测中的一个具有挑战性的问题。事实上，在许多变化检测框架中甚至没有考虑边界区域。糟糕的边界性能成为变化检测准确性的瓶颈。在现有的方法中，最常用的损失是CrossEntropy、Balanced Cross Entropy、Focal Loss [27]、Dice Loss [28]和IOU Loss [29]。这些损失函数主要是为了解决类不平衡的问题。他们不关注困难的边界区域和小区域。 Hoel 等人提出的边界损失。 [30] 在医学图像领域不适合复杂的变化检测。本文提出了一种边缘损失，它在计算损失时为边界上的点添加权重。我们证明了这种损失提高了网络对边界等细节的关注，并提高了边界区域的检测精度。
第三，我们提出了一个具有全新主干的新神经网络。它可以按区域感知输入图像，专注于局部输入多时相图像的变化，并通过轻量级网络确保信息得到充分利用，这使其更适合于变化检测。
综上所述，本文结合以上三点的优点，提出了Region Detail Preserving Network (RDP-Net)。 RDP-Net在遥感变化检测领域取得了较好的效果。 RDP-Net 的主要贡献可以总结如下：
1)一种有效的训练策略：我们提出了一种在 NN 训练的早期阶段找到重要样本的策略。在训练迭代中，我们根据样本的重要性进行非均匀抽样。我们观察到我们的方法实现了更好的性能。