AFSNet: rede de agregação de características em escala total guiada por atenção para detecção de mudanças em imagens de sensoriamento remoto de alta resolução

A técnica de detecção de mudanças analisa com precisão imagens de sensoriamento remoto, tendo uma ampla gama de aplicações em levantamentos de recursos, sistemas de vigilância e atualização de mapas. Nos últimos anos, métodos baseados em aprendizado profundo se tornaram uma área de foco devido à sua excelente capacidade de extração e representação de características. A fusão de características multi-escala é a chave para melhorar o desempenho da detecção de mudanças em métodos estruturais baseados em redes convolucionais totalmente, principalmente com base em uma arquitetura com conexões de salto ou conexões de salto aninhadas e densas. No entanto, esses métodos apenas fundem características na mesma escala e carecem de informações suficientes de múltiplas escalas para gerar resultados apropriados. A fusão de características tradicional com informações redundantes e não supervisionadas leva a um ajuste ruim do modelo. Para resolver esses problemas, propusemos uma nova rede de agregação de características em escala total guiada por atenção (AFSNet). O método proposto utilizou uma estrutura Siamese como rede principal para extrair características, que foram então agregadas usando conexões de salto em escala total, e um mecanismo de atenção para evitar redundância de características. Finalmente, para obter um mapa de mudança final altamente preciso, uma estratégia de fusão de múltiplas saídas laterais foi utilizada para fundir os mapas de mudança em diferentes escalas. Para verificar a confiabilidade do AFSNet, testamos em dois conjuntos de dados públicos, os conjuntos de dados LEVIR-CD e SVCD. As pontuações F1-Score/IoU melhoraram em 0,57%/0,95% e 1,14%/2,07% nos dois conjuntos de dados, respectivamente, em comparação com aqueles obtidos usando os métodos que alcançaram valores sub-otimais. Os resultados mostraram que o AFSNet supera outros métodos tradicionais, mantendo um bom equilíbrio entre custos computacionais e parâmetros do modelo.