デュアルブランチ多層時間間隔ネットワークを用いたリモートセンシング画像の変化検出

リモートセンシング（RS）画像の変化検出（CD）は、畳み込みニューラルネットワーク（CNN）の進展と共に急速に発展しています。しかし、高速な技術革新の下で、前景と背景のカテゴリの不均衡な変動を特定する障害が依然として残っています。特に、サンプルが限られ、大規模な干渉（季節的な変動、照明の強度、建物の改装など）がある場合においてです。さらに、現在のところ、市販の手法のいずれも、差分特徴にアクセスする前に二時点画像間の直接的な相互作用の実現可能性を探っていません。本記事では、変化表現を効率的かつ効果的に導き出すために、デュアルブランチ多層時間間隔ネットワーク（DMINet）を提案します。具体的には、自己注意（SelfAtt）と交差注意（CrossAtt）を単一のモジュールに統合することにより、各入力のグローバル特徴分布を操作するための時間間隔共同注意（JointAtt）ブロックを提示し、階層内の表現間の情報結合を促進し、同時にタスクに無関係な干渉を抑制します。さらに、差分特徴の検出により重点を置くために、減算と連結を用いた差分取得、ならびに段階的特徴整列を用いた多層差分集約という2つの懸念に焦点を当てた信頼性のあるアーキテクチャが設計されます。高度な構造を持たない単純なバックボーン（ResNet18）に基づいて、私たちのモデルは4つのCDデータセットで他の最先端（SOTA）手法を上回り、特にサンプルが稀な場合において優れた性能を発揮します。さらに、この成果は軽いオーバーヘッドで達成されます。