• 高解像度リモートセンシング画像における正確な変化検出のための新しい深層学習モデル。• HRNetバックボーンはマルチ解像度特徴融合を通じて細かな空間詳細を維持する。• SE注意を用いた残差特徴精製によりノイズを最小化し、特徴を強化する。• ピラミッドプーリングモジュールは多スケール文脈を捉え、様々な変化のサイズに対応する。• 提案手法は、ベンチマークにおいて最先端モデルを上回り、F1スコアと再現率が向上した。高解像度リモートセンシング画像（HRSI）における変化検出（CD）は、都市化の監視、環境評価、災害管理などのアプリケーションにおいて極めて重要である。しかし、それは文脈の複雑さ、さまざまな変化のスケール、複雑なシーン構造によって依然として厳しい課題となっている。これらの課題に対処するために、新しい深層学習ベースのCDモデルが提案された。この提案モデルには、(1) マルチ解像度特徴融合を通じて細かな空間詳細を維持するための高解像度ネットワーク（HRNet）バックボーン、(2) 無関係な特徴を最小化し、識別的表現を改善するためのSqueeze-and-Excitation注意を用いた残差特徴精製モジュール、(3) 多スケールの文脈情報を取得するためのピラミッドプーリングモジュール（PPM）の3つの主要コンポーネントが含まれている。2つのベンチマークデータセットでの実験は、提案モデルが最先端モデルを上回り、F1スコア、再現率、IoUが向上し、誤報が減少したことを示している。これらの結果は、提案モデルがリモートセンシングにおけるさまざまな実世界のCDアプリケーションに適していることを示しており、HRSIにおける主要な課題に対処する能力も示している。
Sardari et al. (Wed,) はこの問題を研究した。