SAAN:与众相似的注意力流网络,用于通过VHR遥感图像进行变化检测

科学领域:

• 遥感和地球观测 遥感和地球观测
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 变化检测 (CD) 对于使用地球观测数据监测陆地表面动态至关重要.
• 现有的深度学习CD方法经常与不相关的特征重点和不一致的变化区域信心扎.
• 限制源于不平衡的类别学习和缺乏明确的语义一致性保护.

研究的目的:

• 开发一种新的深度学习模型,用于有效检测变化.
• 解决现有的CD方法在特征提取和语义一致性方面的局限性.
• 提高陆地表面变化监测的准确性和可靠性.

主要方法:

• 引入了相似感知注意力流网络 (SAAN) 进行变化检测.
• 采用深度监督的相似性优化来引导编码器层从双时间图像中学习语义关系.
• 利用相似性引导的注意力流模块来加强对歧视性道和区域的关注.

主要成果:

• 拟议的SAAN方法在各种变化检测任务中表现出卓越的性能.
• 优化的特征在不变的区域表现出语义相似性,在变化的区域表现出不相似性.
• 注意力流模块有效地保持了语义一致性,并专注于歧视性领域.

结论:

• 通过解决特征学习和语义一致性问题,SAAN显著改善了变更检测.
• 该方法在地球观测应用中显示出强大的有效性和概括能力.
• SAAN提供了一种更强大,更准确的方法来监测陆地表面动态.