RFL-CDNet: Auf dem Weg zu genauerer Änderungsdetektion durch reichhaltigeres Merklernen

Die Änderungsdetektion ist eine entscheidende, aber äußerst herausfordernde Aufgabe der Analyse von Fernerkundungsbildern, und es wurden erhebliche Fortschritte mit der raschen Entwicklung des tiefen Lernens erzielt. Die meisten bestehenden auf tiefem Lernen basierenden Methoden zur Änderungsdetektion konzentrieren sich jedoch hauptsächlich auf komplexe Merkmalsextraktion und Multi-Scale-Merkmalsfusion, während sie die unzureichende Nutzung von Merkmalen in den zwischenzeitlichen Phasen ignorieren, was zu suboptimalen Ergebnissen führt. Zu diesem Zweck schlagen wir ein neuartiges Framework vor, das als RFL-CDNet bezeichnet wird und reichhaltigeres Merklernen nutzt, um die Leistung der Änderungsdetektion zu verbessern. Konkret führen wir zuerst eine tiefe multiple Überwachung ein, um die zwischenliegenden Repräsentationen zu verbessern und das Potenzial des Rückgrat-Merkmalsextraktors in jeder Phase zu entfalten. Darüber hinaus entwerfen wir das Coarse-To-Fine Guiding (C2FG)-Modul und das Learnable Fusion (LF)-Modul, um das Merklernen weiter zu verbessern und diskriminativere Merkmalsdarstellungen zu erhalten. Das C2FG-Modul zielt darauf ab, die Seitenvorhersage der vorherigen Grobskala nahtlos in die aktuelle Feinskala-Vorhersage in einer grob-zu-feinen Weise zu integrieren, während das LF-Modul davon ausgeht, dass der Beitrag jeder Phase und jedes räumlichen Standorts unabhängig ist, und somit ein lernbares Modul zur Fusion mehrerer Vorhersagen entwirft. Experimente an mehreren Benchmark-Datensätzen zeigen, dass unser vorgeschlagenes RFL-CDNet eine Spitzenleistung im WHU-Datensatz für Ackerland und im CDD-Datensatz erzielt und die zweitbeste Leistung im WHU-Datensatz für Gebäude erreicht. Der Quellcode und die Modelle sind öffentlich verfügbar unter https://github.com/Hhaizee/RFL-CDNet.