TSCCD：教師なしハイパースペクトル変化検出のための時間的自己構築クロスドメイン学習

科学分野:

• リモートセンシング
• コンピュータビジョン
• 機械学習

背景:

• マルチテンポラルハイパースペクトル画像（HSI）は、豊富なスペクトルおよび空間データのため、変化検出（CD）に価値があります。
• HSI-CDのための教師なしドメイン適応（UDA）は、注釈付きデータの制限とクロスドメイン分布の不一致という課題に直面しています。
• 既存のUDAメソッドは、労働集約的なデータ注釈と最適ではない転送パフォーマンスに苦労しています。

研究 の 目的:

• ハイパースペクトル画像変化検出における教師なしドメイン適応のためのデータ不足とパフォーマンスの制限に対処する。
• 強化されたHSI-CDのための新しいフレームワーク、時間的自己構築クロスドメイン学習（TSCCD）を開発する。
• 異なるHSIドメイン間でのCD知識の転送の効率と精度を向上させる。

主な方法:

• UDAベースのHSI-CDのための時間的自己構築クロスドメイン学習（TSCCD）フレームワークを提案しました。
• バイテンポラルソースドメインデータを合成し、データレベルのアライメントを実行するために、時間的自己構築メカニズムを導入しました。
• 特徴レベルのドメイン適応のために重み付けされた振幅最大平均不一致（MMD）を開発し、高周波特徴拡張を備えた注意機構に基づくコルモゴロフ・アーノルドネットワーク（KAN）を採用しました。

主要な成果:

• TSCCDフレームワークは、既存のHSI分類データセットからバイテンポラルソースドメインデータを効果的に合成します。
• 重み付けされた振幅MMDメトリックは、特徴レベルのドメイン適応を大幅に強化します。
• 注意機構に基づくKANアーキテクチャは、HSIデータにおける複雑な変化特性を効果的に捉えます。
• 3つのベンチマークデータセットでの包括的な実験により、TSCCDが最先端の方法を上回ることが示されました。

結論:

• TSCCDフレームワークは、ハイパースペクトル画像変化検出における教師なしドメイン適応のための堅牢なソリューションを提供します。
• 提案された手法は、データ不足とクロスドメインの不一致の制限を効果的に克服します。
• TSCCDは優れたパフォーマンスを示し、より実用的なHSI-CDアプリケーションへの道を開きます。