Articolo metodologico

Fusione interattiva di attenzione multiscala con rete di convoluzione di funzionalità scarse per il rilevamento dei cambiamenti di immagini satellitari

DOI:

10.3791/69815

⸱

10 marzo 2026

 ,  , 
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

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio presenta un modello di fusione interattiva Multiscale Attention con Reti di Convoluzione a Caratteristiche Rase per migliorare il rilevamento dei cambiamenti delle immagini satellitari. L'approccio sfrutta l'estrazione di caratteristiche multiscala, la focalizzazione selettiva sull'attenzione e le convoluzioni rase per rilevare e localizzare efficacemente i cambiamenti nelle immagini satellitari bitemporali riducendo la complessità computazionale.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il rilevamento dei cambiamenti tramite immagini satellitari bi-temporali è un problema importante nel monitoraggio terrestre che mira a identificare e localizzare i cambiamenti superficiali tra un'acquisizione temporale e distinguere i pseudo-cambiamenti reali dovuti a cicli stagionali, fattori atmosferici o sviluppi causati dall'uomo. I metodi attuali di deep learning spesso affrontano un bias unidirezionale nella loro modellazione temporale, che limita l'usabilità delle relazioni spaziali su larga scala per favorire la corretta caratterizzazione dei modelli di cambiamento. Sebbene le tecniche recenti basate su trasformatori siano altamente accurate, i loro requisiti computazionali sono anch'essi piuttosto elevati, limitandone così l'uso su compiti con risorse limitate. In risposta a queste limitazioni, in questo articolo è proposta una rete Interactive Multiscale Attention Fusion (IMAF) con Convoluzione di Caratteristiche Scarse (SFC) basata su moduli Ghost per ottenere un'estrazione efficace di caratteristiche multiscala. La rete utilizza un'architettura avanzata encoder-decoder integrata da moduli di attenzione interattivi su diverse scale. La rete funziona con flussi di attenzione complementari avanti e indietro: il primo registra la variazione temporale progressiva e il secondo verifica la coerenza delle variazioni tramite analisi temporale inversa. Questo metodo interattivo consente rappresentazioni efficaci del modello duplex delle relazioni temporali senza essere computazionalmente proibitivo, migliorando approcci molto migliori per distinguere movimenti legittimi di copertura del suolo rispetto al rumore in assenza di variazioni indotte dal rumore. Sono sperimentati due dataset di benchmark: il dataset Onera Satellite Change Detection (OSCD) e il dataset SZTAKI AirChange. I significativi esperimenti condotti sui dataset OSCD rivelano che l'approccio proposto raggiunge tassi F1 competitivi del 58,14% (13 canali) e del 50,68% (3 canali) con soli 2,13 milioni di parametri e 19,6G FLOPS, 19 volte pochi parametri, e un turnover di inferenza 5,6x rispetto a ChangeFormer. Le prestazioni competitive sui campioni dei set di test Szada/1 e Tiszadob/3 del dataset SZTAKI, con punteggi F1 rispettivamente del 74,29% e del 92,86%, rendono possibile implementare, nel maggior numero dei dispositivi edge, analisi in tempo reale e sistemi di mappatura estesi dove l'energia operativa dipende direttamente dall'energia computazionale.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Livelli senza precedenti di urbanizzazione nell'ambiente globale, perdita di risorse ambientali e alterazioni del paesaggio dovute al clima hanno direttamente innescato la necessità di fornire un sistema di monitoraggio preciso, tempestivo e automatico in grado di identificare e misurare i cambiamenti sulla superficie terrestre. Il telerilevamento satellitare è diventato il pilastro fondamentale della sorveglianza ambientale di massa, poiché fornisce una copertura temporale e spaziale costante, oltre a essere fondamentale per l'esame completo del cambiamento. La rilevazione dei cambiamenti delle immagini satellitari bi-temporali è la ....

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Dichiarazione etica

  1. Sia i dataset Onera Satellite Change Detection (OSCD) che SZTAKI AirChange utilizzati in questo studio consistono in immagini RGB e multispettrali disponibili pubblicamente che coprono diverse caratteristiche geografiche. Questi dataset non contengono dati riservati o sensibili. Pertanto, non è richiesto alcun consenso etico per questo lavoro.

2. Materiali e attrezzature

  1. Effettua test su un computer Windows 11 dotato di processore Intel Core i7 10870H, un chip NVIDIA GeForce GTX 1650 Ti con 4GB di VRAM e 32GB di RAM.
    ....

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il metodo proposto di rilevamento dei cambiamenti è stato valutato rispetto ad approcci di base consolidati utilizzando due dataset di benchmark pubblicamente disponibili per valutarne le prestazioni su diverse risoluzioni spettrali e condizioni ambientali. I risultati sperimentali rivelano miglioramenti significativi nel bilanciare la precisione della rilevazione con il controllo dei falsi positivi, dimostrando in particolare la capacità del metodo di mantenere alti tassi di richiamo mi.......

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio presenta una rete interattiva di rilevamento dei cambiamenti basata sulla fusione dell'attenzione su più scale per rilevare cambiamenti nelle immagini satellitari bitemporali. L'integrazione di un meccanismo di attenzione bidirezionale, a differenza dei metodi unidirezionali, facilita un'interazione completa tra caratteristiche e caratteristiche tra caratteristiche e segnali di attenzione complementari in avanti e indietro. I cambiamenti temporali progressivi del flusso di .......

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori dichiarano di non avere conflitto di interessi.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questa ricerca non ha ricevuto alcuna sovvenzione specifica da alcuna agenzia finanziatrice nei settori pubblico, commerciale o non profit.

....

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Kit degli attrezzi CUDANVIDIA CorporationVersione 11.3Accelerazione GPU per calcoli di deep learning
cuDNNNVIDIA CorporationVersione 8.2Libreria ottimizzata di deep learning GPU
Intel  ProcessoreIntel CorporationCore i7 10870HPiattaforma computazionale utilizzata per l'addestramento e la valutazione del modello di deep learning proposto
NumPyOpen SourceVersione 1.21.0Elaborazione numerica di array
NVIDIA GeForce NVIDIA CorporationGTX 1650 Ti (4 GB VRAM)Unità di elaborazione grafica utilizzata per l'addestramento accelerato dei modelli
Onera Satellite Change Detection (OSCD) DatasetONERADataset di immagini ottico RGB e multispettrale pubblicamente disponibile utilizzato per addestramento e valutazione.https://rcdaudt.github.io/oscd/
PythonPython Software FoundationVersione 3.8Linguaggio di programmazione utilizzato per l'implementazione di algoritmi
PyTorchMeta AI (Open Source)Versione 1.12.1Framework open source di deep learning utilizzato per sviluppare e addestrare il modello proposto
Scikit-learnOpen SourceVersione 1.0.2Metriche di valutazione delle prestazioni
Dataset di benchmark Air Change SZTAKISZTAKIDataset di immagini aeree ottico RGB pubblicamente disponibile e utilizzato per addestramento e valutazione.http://web.eee.sztaki.hu/remotesensing/airchange_benchmark.html
TorchvisionMeta AI (Open Source)Versione 0.13.1Caricamento del dataset e trasformazioni delle immagini
Windows OSMicrosoft11Sistema operativo 

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ahmed, O. S., Franklin, S. E., Wulder, M. A., White, J. C. Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne lidar, and the random forest algorithm. ISPRS J Photogramm. Remote Sens. 101, 89-101 (2015).
  2. Blaschke, T.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Deep LearningRete Encoder DecoderModellazione TemporaleModuli GhostCambiamento della Copertura TerrestreDataset di Benchmark

Articoli correlati