SSLChange: Un marco de detección de cambios auto-supervisado basado en adaptación de dominio

En los procedimientos convencionales de detección de cambios en teledetección (RS CD), se requiere primero un etiquetado manual extenso para imágenes bi-temporales para mantener el rendimiento del entrenamiento completamente supervisado posterior. Sin embargo, el etiquetado a nivel de píxel para tareas de CD es muy complejo y lleva mucho tiempo. En este artículo, exploramos un nuevo marco contrastivo auto-supervisado aplicable a la tarea de RS CD, que promueve al modelo a capturar con precisión información espacial, estructural y semántica a través de un adaptador de dominio y una cabeza contrastiva jerárquica. El marco SSLChange propuesto logra el auto-aprendizaje solo al tomar una muestra de un solo tiempo y puede ser transferido de manera flexible a las bases de referencia principales de CD. Con el aprendizaje contrastivo auto-supervisado, la pre-entrenamiento de representación de características puede realizarse directamente basado en los datos originales incluso sin etiquetado. Después de obtener una cierta cantidad de etiquetas posteriormente, las características pre-entrenadas se alinearán con las etiquetas para un ajuste fino completamente supervisado. Sin introducir datos o etiquetas adicionales, el rendimiento de las bases de referencia posteriores experimentará una mejora significativa. Los resultados experimentales en 2 conjuntos de datos completos y 6 conjuntos de datos diluidos muestran que nuestro SSLChange mejora el rendimiento y la estabilidad de la base de referencia de CD en situaciones limitadas de datos. El código de SSLChange será liberado en https://github.com/MarsZhaoYT/SSLChange.