S³CD:通过挖掘远程传感图像中的过渡模式和一致性来实现自我监督的语义变化检测方法

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 地理空间分析的研究.

背景情况:

• 语义变化检测 (SCD) 对于使用遥感图像监测土地覆盖变化至关重要.
• 传统的监督SCD方法需要广泛的像素级注释,这阻碍了它们的实际应用.
• 自主监督学习 (SSL) 通过利用大型未标记数据集提供了一个有希望的替代方案,但现有的SSL方法在SCD中难以进行复杂的语义转换.

研究的目的:

• 开发一个有效的自我监督网络,用于在双时间遥感图像中检测语义变化 (SCD).
• 解决现有的SSL方法在捕获SCD所需的复杂语义转换方面的局限性.
• 为了减少对远程传感变更检测任务中的像素级注释的依赖.

主要方法:

• 为SCD提出一个多阶段,多任务和多层次的自我监督网络 (S3CD).
• 网络在两个阶段学习场景,像素和原型层面的语义变化.
• 第二阶段通过学习语义一致性和捕捉变化类别的时间模式来提高稳定性.

主要成果:

• 在两个基准数据集上,S3CD与最先进的自我监督和监督SCD方法相比表现优越.
• 提出的方法在二进制变化检测 (BCD) 中取得了竞争力的结果,超过了大多数监督学习方法.
• 在没有大量手动注释的情况下,S3CD有效地学习复杂的土地覆盖变化的语义表示.

结论:

• 开发的S3CD网络显著推进了远程传感变化检测的自我监督学习.
• 这种方法通过尽量减少注释要求,为大规模的土地覆盖面监测提供了可行的解决方案.
• 在地理空间分析和变化检测方面,S3CD促进了自我监督方法的更广泛应用.