TSCCD: Aprendizaje Transversal de Dominio de Autoconstrucción Temporal para Detección de Cambios Hiperspectrales No...

Área de la Ciencia:

• Teledetección
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• La imagen hiperespectral multitemporal (HSI) es valiosa para la detección de cambios (CD) debido a la riqueza de datos espectrales y espaciales.
• La adaptación de dominio no supervisada (UDA) para HSI-CD enfrenta desafíos con datos anotados limitados y discrepancias en la distribución entre dominios.
• Los métodos UDA existentes luchan con la anotación de datos laboriosa y el rendimiento de transferencia subóptimo.

Objetivo del estudio:

• Abordar la escasez de datos y las limitaciones de rendimiento en la adaptación de dominio no supervisada para la detección de cambios de imágenes hiperespectrales.
• Desarrollar un marco novedoso, Temporal Self-Construction Cross-Domain learning (TSCCD), para HSI-CD mejorado.
• Mejorar la eficiencia y precisión de la transferencia de conocimiento de CD entre diferentes dominios HSI.

Principales métodos:

• Se propuso el marco Temporal Self-Construction Cross-Domain learning (TSCCD) para HSI-CD basado en UDA.
• Se introdujo un mecanismo de autoconstrucción temporal para sintetizar datos de dominio fuente bi-temporales y realizar la alineación a nivel de datos.
• Se desarrolló una máxima discrepancia de momentos (MMD) de amplitud reponderada para la adaptación de dominio a nivel de características y se empleó una red Kolmogorov-Arnold (KAN) basada en atención con aumento de características de alta frecuencia.

Principales resultados:

• El marco TSCCD sintetiza eficazmente datos de dominio fuente bi-temporales a partir de conjuntos de datos de clasificación HSI existentes.
• La métrica MMD de amplitud reponderada mejora significativamente la adaptación de dominio a nivel de características.
• La arquitectura KAN basada en atención captura con éxito características complejas de cambio en datos HSI.
• Experimentos exhaustivos en tres conjuntos de datos de referencia muestran que TSCCD supera a los métodos de vanguardia.

Conclusiones:

• El marco TSCCD ofrece una solución robusta para la adaptación de dominio no supervisada en la detección de cambios de imágenes hiperespectrales.
• Los métodos propuestos superan eficazmente las limitaciones de la escasez de datos y las discrepancias entre dominios.
• TSCCD demuestra un rendimiento superior, allanando el camino para aplicaciones HSI-CD más prácticas.