Key points are not available for this paper at this time.
Für hochauflösende (HSR) Fernerkundungsbilder dominiert das bitemporale überwachtes Lernen stets die Änderungsdetektion unter Verwendung vieler paarweise gekennzeichneter bitemporaler Bilder. Es ist jedoch sehr kostspielig und zeitaufwendig, großflächige bitemporale HSR-Fernerkundungsbilder paarweise zu kennzeichnen. In diesem Papier schlagen wir ein einzeltemporales überwachtes Lernen (STAR) zur Änderungsdetektion aus einer neuen Perspektive vor, indem wir Objektveränderungen in ungepaarten Bildern als Aufsichtssignale nutzen. STAR ermöglicht es uns, einen hochpräzisen Änderungsdetektor nur mit ungepaarten, gekennzeichneten Bildern zu trainieren und auf reale bitemporale Bilder zu verallgemeinern. Um die Effektivität von STAR zu bewerten, entwerfen wir einen einfachen, aber effektiven Änderungsdetektor namens ChangeStar, der jede tiefgehende semantische Segmentierungsarchitektur durch das ChangeMixin-Modul wiederverwenden kann. Die umfassenden experimentellen Ergebnisse zeigen, dass ChangeStar die Basislinie mit großem Abstand unter einzeltem zeitlichem Supervisions übertrifft und eine überlegene Leistung unter bitemporaler Supervision erzielt. Der Code ist verfügbar unter https://github.com/Z-Zheng/ChangeStar.
Zheng et al. (Fri,) haben diese Frage untersucht.