【变化检测论文学习】Lightweight Remote Sensing Change Detection With Progressive Feature Aggregation and Super

摘要

以往大多数的变化检测模型计算成本高昂难以应用，基于此，本文提出了一种轻量化的网络A2Net。考虑到移动网络的表征能力较弱，设计了一个邻居聚合模块( NAM )来融合骨干网附近阶段的特征，以加强时间特征的表征能力。然后，提出了一个渐进式变化识别模块( PCIM )，用于从双时相特征中提取时间差异信息。此外，设计了一个监督注意力模块( SAM )来对重加权特征进行有效的聚合，从高层到低层的多层次特征。

模型架构

总述：该网络主干网络采用了轻量化的MobileNetV2来提取双时相特征，从stage1到stage5得到五个层级的特征图，对孪生网络的后四个层级的特征图经过NAM（合并主干相邻阶段的时间特征，以增强它们的特征表示能力）模块做差，得到后四个层级的差分特征图。四个层级的差分特征图分别经过PCIM模块（从双时相特征对应的特征层面捕获时间变化信息），与经过SAM模块（改善细节特征）的前一层级特征进行相加最后输出变化图，label分别与前三个层级的SAM模块结果和输出的变化图算Loss。

NAM模块：三个层级的特征图进行特征融合，中间层及的特征图与特征融合的块经过卷积相加得到结果特征图。

PCIM模块：使用一系列空洞卷积和残差链接进行多尺度特征学习。类似于自注意力机制？

SAM模块：特征金字塔网络[ 26 ]为多层次特征融合提供了一种由粗到精的经典架构。然而，更高层的特征缺乏上下文引导，容易产生大量噪声，难以进行多层次的信息聚合。在这里，本文引入SAM来重新校准特征，以实现更好的多层次特征融合。首先将特征图经过11卷积在经过sigmoid将变化图区间转换为【0，1】再进行图像取反，这时得到了变化图$c_3$和反向变化图$c{r}_3$，使用一个1 × 1的卷积层从$c_3$和$c{r}_3$中生成与$\overline{d_3}$ 形状相同的像素注意力掩膜$a_3$（Cat之后经过11卷积），之后将$a_3$与输入特征进行逐元素相乘后在经过3*3卷积得到模块输出特征。