Un réseau basé sur une métrique d'attention supervisée en profondeur et un ensemble de données d'images aériennes ouvertes pour la détection de changements en télé-détection

La détection de changements (CD) vise à identifier les changements de surface à partir d'images bitemporelles. Au cours des dernières années, les méthodes basées sur l'apprentissage profond (DL) ont réalisé des percées substantielles dans le domaine de la CD. Cependant, les résultats de la CD peuvent être facilement affectés par des facteurs externes, y compris l'illumination, le bruit et l'échelle, ce qui conduit à des pseudo-changements et du bruit dans la carte de détection. Pour faire face à ces problèmes et obtenir des résultats plus précis, un réseau basé sur une métrique d'attention supervisée en profondeur (DSAMNet) est proposé dans cet article. Un module de métrique est employé dans DSAMNet pour apprendre des cartes de changement par le biais d'un apprentissage de métrique profond, dans lequel des modules d'attention par blocs convolutionnels (CBAM) sont intégrés pour fournir des caractéristiques plus discriminantes. Comme auxiliaire, un module DS est introduit pour améliorer la capacité d'apprentissage de l'extracteur de caractéristiques et générer des caractéristiques plus utiles. De plus, un autre défi rencontré par les algorithmes DL basés sur les données est posé par les limites dans les ensembles de données de détection de changements (CDDs). Par conséquent, nous créons un ensemble de données CD, l'Université Sun Yat-Sen (SYSU) -CD, pour la CD d'images bitemporelles, qui contient un total de 20 000 paires d'images aériennes de taille 256 x 256. Des expériences sont menées à la fois sur le CDD et l'ensemble de données SYSU-CD. Comparé à d'autres méthodes à la pointe de la technologie, notre réseau atteint la plus haute précision sur les deux ensembles de données, avec une F1 de 93,69 % sur l'ensemble de données CDD et 78,18 % sur l'ensemble de données SYSU-CD.