كشف التغيير باستخدام الاستشعار عن بعد مع المحولات المدربة من الصفر

تعتمد الأساليب الحالية لكشف التغيير المعتمدة على المحولات إما على نموذج مدرب مسبقًا تم تدريبه على مجموعة بيانات تصنيف الصور الكبيرة ImageNet، أو تعتمد على التدريب المسبق على مجموعة بيانات أخرى لكشف التغيير ثم التخصيص على المعايير المستهدفة. هذه الاستراتيجية الحالية مدفوعة بالحقيقة أن المحولات تتطلب عادةً كمية كبيرة من بيانات التدريب لتعلم التحيزات الاستقرائية، وهو ما لا يكفي في مجموعات بيانات كشف التغيير القياسية بسبب حجمها الصغير. نقوم بتطوير نهج كشف تغيير شامل مع المحولات يتم تدريبه من الصفر ومع ذلك يحقق أداءً متقدمًا على خمسة معايير. بدلاً من استخدام الانتباه الذاتي التقليدي الذي يكافح لالتقاط التحيزات الاستقرائية عند تدريبه من الصفر، تستخدم هيكلتنا عملية انتباه غير كثيفة مختلطة تركز على مناطق مختارة للإرشادات النادرة لالتقاط الخصائص الفطرية لبيانات كشف التغيير. علاوة على ذلك، نقدم وحدة دمج ميزات معززة للتغيير (CEFF) لدمج الميزات من أزواج الصور المدخلة من خلال إجراء إعادة تقييم لكل قناة. تساعد وحدة CEFF لدينا في تعزيز التغييرات الدلالية ذات الصلة مع قمع التغييرات الضوضائية. تكشف التجارب الواسعة على خمسة مجموعات بيانات لكشف التغيير عن مزايا المساهمات المقترحة، محققة زيادات تصل إلى 1.35% في درجة التداخل على الاتحاد (IoU)، مقارنةً بأفضل النتائج المنشورة في الأدبيات. الشيفرة متاحة على https://github.com/mustansarfiaz/ScratchFormer.