MambaFedCD: Detección de Cambios Activa Federada Basada en Mamba Colaborativa Espacial-Espectral-Temporal

Área de la Ciencia:

• Teledetección
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La detección de cambios de imágenes hiperespectrales (HSI) identifica alteraciones en áreas geográficas utilizando HSI bitemporales.
• Los métodos de aprendizaje centralizado requieren la transmisión de datos, lo que plantea riesgos de privacidad para datos de teledetección sensibles.
• El etiquetado manual de muestras para el entrenamiento requiere muchos recursos y no es práctico.

Objetivo del estudio:

• Proponer un marco de aprendizaje federado que preserve la privacidad para la detección de cambios de imágenes hiperespectrales.
• Aprovechar muestras etiquetadas limitadas de múltiples clientes para una detección de cambios eficaz.
• Abordar los desafíos de la sensibilidad de los datos y los costos de etiquetado en la detección de cambios de HSI.

Principales métodos:

• Un modelo de detección de cambios basado en Mamba colaborativo espacial-espectral-temporal (S2TMamba) integra información temporal y espacial-espectral.
• Una estrategia de agregación de modelos basada en la corrección de la diversidad de características de diferencia (DFDCMA) optimiza la agregación del modelo global.
• Una estrategia de aprendizaje activo federado de múltiples decisiones (MDFAL) selecciona eficientemente muestras informativas para el entrenamiento.

Principales resultados:

• El marco propuesto MambaFedCD logra un rendimiento superior en comparación con los métodos de vanguardia.
• Los experimentos demuestran la efectividad del modelo S2TMamba, la estrategia DFDCMA y el enfoque MDFAL.
• El marco garantiza con éxito la privacidad de los datos al tiempo que realiza una detección de cambios precisa.

Conclusiones:

• MambaFedCD ofrece una solución eficaz y que preserva la privacidad para la detección de cambios de imágenes hiperespectrales.
• El uso sinérgico de la información espacial, espectral y temporal es crucial para una detección de cambios precisa.
• El aprendizaje federado combinado con el aprendizaje activo presenta una dirección prometedora para el análisis de HSI.