基于循环的频率脱扩散模型与自我训练,用于跨域高光谱-RGB变化检测
概括
本研究引入了一种用于跨域高光谱图像 (HSI) 和RGB变化检测 (CD) 的新型扩散模型. 该方法增强了跨模式和域的变更表示一致性,显著提高了检测性能.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 超光谱图像 (HSI) 变化检测 (CD) 分析表面变化,但受到数据可用性的限制.
- 使用HSI和RGB数据的多模式CD解决了局限性,但与域移动作斗争.
- 由于模式差异,现有的域调整方法面临跨域多式联络CD的挑战.
研究的目的:
- 为跨领域的HSI-RGB多式变化检测开发一个强大的方法.
- 提高不同模式和领域的变化表示的一致性.
- 为了克服当前多式联运CD领域适应技术的局限性.
主要方法:
- 提出了一个基于循环的频率解扩散模型与自我训练.
- 一个基于循环频域解的模式-域对齐扩散网络实现了统一的对齐.
- 一个基于课程学习的自我训练的双域CD网络处理对齐图像的协作CD.
主要成果:
- 拟议的方法显著优于跨领域多式联络CD的最先进方法.
- 频域扩散驱动的自我训练机制提高了一致性.
- 模式和域调整是在统一的传播框架内实现的.
结论:
- 开发的模型有效地解决了跨域HSI-RGB多式联接CD的挑战.
- 该方法通过利用频域扩散和自我训练来证明卓越的性能.
- 这项工作推进了多式联运变化检测领域,并改进了域名适应能力.
