Key points are not available for this paper at this time.
مع تطور تكنولوجيا مراقبة الأرض، أصبحت صورة عالية الدقة جدًا (VHR) مصدر بيانات هام للكشف عن التغير (CD). في هذه الأيام، حققت طرق التعلم العميق (DL) أداءً بارزًا في CD للصور VHR. ومع ذلك، تتطلب معظم نماذج CD الحالية المعتمدة على DL عينات تدريب موضوعة. في هذه المقالة، يتم اقتراح نموذج جديد غير مراقب، يسمى تحليل المكونات الرئيسية لبنة النواة (KPCA)، لاستخراج ميزات تمثيلية من صور VHR متعددة الأزمان. استنادًا إلى تخطيط KPCA، تم تصميم شبكة تخطيط لبنة النواة العميقة غير المراقبة (KPCA-MNet) لإجراء CD ثنائي ومتعدد الفئات. في KPCA-MNet، يتم استخراج خرائط الميزات الطيفية المكانية عالية المستوى بواسطة شبكة سيامية عميقة تتكون من طبقات تخطيط لبنة النواة ذات الوزن المشترك. بعد ذلك، يتم رسم معلومات التغير في خريطة اختلاف الميزات إلى مجال قطبي ثنائي الأبعاد. أخيرًا، يتم إنتاج نتائج CD من خلال خوارزميات تقسيم العتبة والتجميع. لا تتطلب جميع إجراءات KPCA-MNet بيانات ملصقة. تظهر التحليل النظري ونتائج التجارب في مجموعتين من بيانات CD الثنائية ومجموعة بيانات CD متعددة الفئات صلاحية ومرونة وإمكانات الطريقة المقترحة.
درس وو وآخرون (Thu,) هذا السؤال.