本研究提出了一种结合稀疏特征卷积网络的交互式多尺度注意力融合模型，以提升卫星图像变化检测的性能。该方法利用多尺度特征提取、选择性注意力聚焦以及稀疏卷积，在降低计算复杂度的同时，有效检测并定位双时相卫星图像中的变化区域。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本研究提出了一种结合稀疏特征卷积网络的交互式多尺度注意力融合模型，以提升卫星图像变化检测的性能。该方法利用多尺度特征提取、选择性注意力聚焦以及稀疏卷积，在降低计算复杂度的同时，有效检测并定位双时相卫星图像中的变化区域。
利用双时相卫星影像进行变化检测是地球监测中的一个重要问题，旨在识别和定位两个时相影像之间的地表变化，并区分由季节循环、大气因素或人为开发引起的虚假变化。当前的深度学习方法在时间建模方面通常存在单向偏差，限制了大规模空间关系的有效利用，从而影响对变化模式的准确刻画。尽管最近基于Transformer的技术具有较高的精度，但其计算需求也相当大，限制了其在资源受限任务中的应用。针对这些局限性，本文提出了一种基于Ghost模块的稀疏特征卷积（SFC）的交互式多尺度注意力融合（IMAF）网络，以实现高效的多尺度特征提取。该网络采用先进的编码器-解码器架构，并在不同尺度上引入交互式注意力模块。网络通过互补的前向与后向注意力流协同工作：前者记录渐进的时间变化，后者则通过反向时间分析验证变化的一致性。这种交互机制能够在计算代价可控的前提下，有效表征时间关系的双向模型，显著提升对真实地表覆盖变化与噪声干扰所致伪变化的区分能力。本文在两个基准数据集上进行了实验：Onera卫星变化检测数据集（OSCD）和SZTAKI AirChange数据集。在OSCD数据集上的实验结果表明，所提出方法仅使用2.13M参数和19.6G FLOPS的计算量，即达到了58.14%（13通道）和50.68%（3通道）的竞争性F1分数，参数量仅为ChangeFormer的1/19，推理速度提升5.6倍。在SZTAKI数据集的Szada/1和Tiszadob/3测试样本上，F1分数分别达到74.29%和92.86%，表明该方法适用于边缘设备、实时分析以及大规模制图系统，其中运行能耗直接取决于计算能耗。
全球环境中的城市化水平空前提高，环境资源不断流失，以及气候变化导致的地表景观改变，直接引发了对一种精确、及时且自动化监测系统的迫切需求，该系统能够识别并量化地球表面的变化。卫星遥感已成为大规模环境监测的基本支柱，因为它能够提供持续的时间和空间覆盖，并在全面分析地表变化过程中发挥关键作用。双时相卫星影像变化检测是指对同一地理区域在两个连续时间点获取的影像之间地表变化的识别与表征。然而，这一过程十分复杂，原因在于存在多种干扰因素，包括季节变化、天气状况、传感器特性、几何畸变以及可能掩盖或模拟真实地表覆盖变化的现象性改变。目前使用的人工解译卫星影像方法耗时较长、主观性强，难以应对当前卫星星座持续产生的海量地球观测数据。这一根本性局限推动了自动化变化检测解决方案的发展。传统的基于像素1和基于对象的变化检测方法2通常难以在上述复杂条件下有效运行，且在应用于多种地理单元和时间尺度时鲁棒性较差。深度学习架构，特别是卷积神经网络及其变体，能够提取代表低层次光谱细节和高层次语义模式的分层特征，有助于区分真实变化。深度学习变化检测模型已被证明在捕捉遥感数据中潜在的时空变化、识别真实地表覆盖变化与由外部因素引起的伪变化方面具有高度前景。这些端到端的学习方法充分利用了特征提取与分类可同时最优完成的优势。尽管在变化检测精度方面已取得显著进展，但大多数现有方法在现实世界运行环境中的部署仍面临困难。基于Transformer的方法....
访问受限。请登录或开始试用以查看此内容。
1. 伦理声明
2. 材料与仪器
3. 数据集准备
访问受限。请登录或开始试用以查看此内容。
通过两个公开可用的基准数据集，将所提出的变更检测方法与已建立的基线方法进行了比较，以评估其在不同光谱分辨率和环境条件下的性能。实验结果表明，该方法在平衡检测精度与误报控制方面具有显著改进，尤其在保持高召回率的同时，相较于传统方法大幅提升了精确度。
.......| 数据 | 网络 | 精确率 (%) | 召回率 (%) | F1 (%) |
| OSCD-3 ch. | Siam. [11] | 21.57 | 79.4 | 33.85 |
| OSCD-3 ch. | EF [11] | 21.56 | 82.14 | 34.15 |
访问受限。请登录或开始试用以查看此内容。
本研究提出了一种基于交互式多尺度注意力融合的网络，用于检测双时相卫星图像中的变化。该方法通过引入双向注意力机制，与单向方法不同，实现了具有互补前向和后向注意力信号的完整跨时相特征间交互。前向注意力流通过注意力差异捕获时间上的渐进变化，即从较早到较新的时相数据；而后向获取系统则通过识别突现特征来检验变化的一致性。这种双路径特征已被证明在区分真实地表覆盖变化与噪声方面更为有效，而这一问题正是业务化变化检测系统长期面临的主要挑战之一。
在两个具有挑战性的基准数据集上的实验测试证实了所提出方法在多种地理环境和空间分辨率下的实用性与可行性。在OSCD样本上，该方法实现了36.44%的精确率、79.67%的召回率和50.68%的F1分数，这一结果在需要全面变化检测的场景中尤为突出，因为在这些场景中，漏检真实变化所带来的运行成本远高于误报。较高的召回能力表明，网络在保持合理精确水平的同时，对微小变化的敏感性得到了提升，这一特性在环境监测和灾害评估过程中尤为重要，因为在这些应用中必须检测出每一次变化的发生。对SZTAKI AirChange数据集的评估进一步证明了该网络的多功能性及其在不同复杂程度.......
访问受限。请登录或开始试用以查看此内容。
作者声明不存在利益冲突。
本研究未从公共、商业或非营利部门的任何资助机构获得特定资助。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| CUDA Toolkit | NVIDIA Corporation | Version 11.3 | 深度学习计算的 GPU 加速 |
| cuDNN | NVIDIA Corporation | Version 8.2 | 优化的 GPU 深度学习库 |
| Intel 处理器 | Intel Corporation | Core i7 10870H | 用于训练和评估所提出深度学习模型的计算平台 |
| NumPy | 开源 | Version 1.21.0 | 数值数组处理 |
| NVIDIA GeForce | NVIDIA Corporation | GTX 1650 Ti (4 GB VRAM) | 用于加速模型训练的图形处理器 |
| Onera 卫星变化检测（OSCD）数据集 | ONERA | 公开可用的光学 RGB 和多光谱图像数据集，用于训练和评估。 | https://rcdaudt.github.io/oscd/ |
| Python | Python 软件基金会 | Version 3.8 | 用于算法实现的编程语言 |
| PyTorch | Meta AI（开源） | Version 1.12.1 | 开源深度学习框架，用于开发和训练所提出的模型 |
| Scikit-learn | 开源 | Version 1.0.2 | 性能评估指标 |
| SZTAKI 空中变化基准数据集 | SZTAKI | 公开可用的光学 RGB 航拍图像数据集，用于训练和评估。 | http://web.eee.sztaki.hu/remotesensing/airchange_benchmark.html |
| Torchvision | Meta AI（开源） | Version 0.13.1 | 数据集加载与图像变换 |
| Windows 操作系统 | Microsoft | 11 | 操作系统 |
访问受限。请登录或开始试用以查看此内容。