Fusion interactive de l’attention multi-échelle avec réseau de convolution de caractéristiques clairsemées pour la détection des changements d’images satellites

Deepak Gupta; Om Prakash Singh; Satyasundara Mahapatra

doi:10.3791/69815

Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Fusion interactive de l’attention multi-échelle avec réseau de convolution de caractéristiques clairsemées pour la détection des changements d’images satellites

261 vues

⸱

DOI :

10.3791/69815

⸱

10 mars 2026

Deepak Gupta¹ , Om Prakash Singh² , Satyasundara Mahapatra³

¹Department of Computer Science and Engineering, Amity School of Engineering and Technology, Amity University Uttar Pradesh, Lucknow Campus, ²Department of Electronics and Communication, Amity School of Engineering and Technology, Amity University Uttar Pradesh, Lucknow Campus, ³Department of Computer Science and Engineering, Pranveer Singh Institute of Technology, Kanpur

Dans cet article

Résumé

Cette étude présente un modèle de fusion interactive à attention multiéchelle avec des réseaux de convolution de caractéristiques clairsemées afin d’améliorer la détection des changements d’images satellites. Cette approche tire parti de l’extraction de caractéristiques à plusieurs échelles, de l’attention sélective et des convolutions clairsemées pour détecter et localiser efficacement les changements dans les images satellites bitemporelles en réduisant la complexité de calcul.

Résumé

La détection des changements à l’aide d’images satellites bitemporelles est un problème important dans la surveillance de la Terre, qui vise à identifier et localiser les changements de surface entre une acquisition temporelle et à distinguer les pseudo-changements réels dus aux cycles saisonniers, aux facteurs atmosphériques ou aux développements d’origine humaine. Les méthodes actuelles d’apprentissage profond font généralement face à un biais unidirectionnel dans leur modélisation temporelle, ce qui limite l’utilisabilité des relations spatiales à grande échelle afin de permettre une caractérisation correcte des schémas de changement. Bien que les techniques récentes basées sur les transformateurs soient très précises, leurs exigences de calcul sont également assez importantes, limitant ainsi leur utilisation sur des tâches limitées en ressources. En réponse à ces limitations, un réseau Interactive Multiscale Attention Fusion (IMAF) avec Convolution de Caractéristiques Parcimonieuses (SFC) basé sur des modules Ghost est proposé dans cet article. Le réseau utilise une architecture avancée encodeur-décodeur, complétée par des modules d’attention interactifs à différentes échelles. Le réseau fonctionne avec des flux d’attention complémentaires avant et arrière : le premier enregistre la variation temporelle progressive et le second vérifie la cohérence des changements par analyse temporelle inverse. Cette méthode interactive permet des représentations efficaces du modèle duplex des relations temporelles sans être computationnellement prohibitives, améliorant ainsi de bien meilleures approches pour distinguer les mouvements légitimes de couverture des sols par rapport au bruit sans variation induite par le bruit. Deux jeux de données de référence sont expérimentés : l’ensemble de données Onera Satellite Change Detection (OSCD) et le jeu de données SZTAKI AirChange. Les expériences significatives menées sur les ensembles de données OSCD révèlent que l’approche proposée atteint des taux F1 compétitifs de 58,14 % (13 canaux) et 50,68 % (3 canaux) avec seulement 2,13 millions de paramètres et 19,6 G FLOPS, 19 fois peu de paramètres, et un taux d’inférence 5,6 fois supérieur à ChangeFormer. La performance compétitive sur les échantillons des ensembles de test Szada/1 et Tiszadob/3 du jeu de données SZTAKI, avec un score F1 de 74,29 % et 92,86 % respectivement, permet d’implémenter dans le plus grand nombre d’appareils en périphérie, des analyses en temps réel et des systèmes de cartographie étendus où l’énergie opérationnelle dépend directement de l’énergie de calcul.

Introduction

Des niveaux sans précédent d’urbanisation dans l’environnement mondial, la perte de ressources environnementales et les modifications du paysage dues au climat ont directement déclenché la nécessité de fournir un système de surveillance précis, rapide et automatique capable d’identifier et de mesurer les changements à la surface de la Terre. La télédétection par satellite est devenue la base de la surveillance environnementale de masse, car elle assure une couverture temporelle et spatiale cohérente, en plus d’être essentielle à l’examen complet de ce changement. La détection des changements par imagerie satellite bi-temporelle est la....