Method Article

Interaktywna wieloskalowa fuzja uwagi z rzadką siecią konwolucji cech do wykrywania zmian obrazów satelitarnych

DOI:

10.3791/69815

⸱

March 10th, 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 This Article

Summary

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

Niniejsze badanie przedstawia interaktywny model fuzji wieloskalowej uwagi z rzadkimi sieciami konwolucyjnymi cech, aby poprawić wykrywanie zmian na obrazach satelitarnych. Podejście wykorzystuje wieloskalową ekstrakcję cech, selektywne skupienie na uwadze oraz rzadkie konwolucje, aby skutecznie wykrywać i lokalizować zmiany w dwuczasowych obrazach satelitarnych poprzez zmniejszenie złożoności obliczeniowej.

Abstract

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

Detekcja zmian za pomocą dwuczasowych obrazów satelitarnych jest ważnym problemem w monitoringu Ziemi, który ma na celu identyfikację i lokalizację zmian powierzchni pomiędzy pozyskaniem czasowym a rozróżnieniem rzeczywistych pseudo-zmian spowodowanych cyklami sezonowymi, czynnikami atmosferycznymi lub rozwojem wywołanym przez człowieka. Obecne metody głębokiego uczenia zazwyczaj napotykają jednokierunkowe uprzedzenie w modelowaniu czasowym, co ogranicza użyteczność dużych relacji przestrzennych, aby umożliwić właściwą charakterystykę wzorców zmian. Chociaż najnowsze techniki oparte na transformatorach są bardzo dokładne, ich wymagania obliczeniowe są również dość duże, co ogranicza ich zastosowanie do zadań o ograniczonych zasobach. W odpowiedzi na te ograniczenia w niniejszym artykule proponowano sieć Interaktywnej Fuzji Wieloskalowej Uwagi (IMAF) z rzadką konwolucją cech (SFC) opartą na modułach duchów, aby uzyskać efektywną ekstrakcję cech wieloskalowych. Sieć wykorzystuje zaawansowaną architekturę enkodera-dekodera, uzupełnioną interaktywnymi modułami uwagi w różnych skalach. Sieć pracuje z komplementarnymi strumieniami uwagi do przodu i do tyłu: pierwszy rejestruje progresywną zmienność czasową, a drugi weryfikuje spójność zmian poprzez odwrotną analizę czasową. Ta interaktywna metoda umożliwia skuteczne przedstawienie modelu dupleksu relacji czasowych bez konieczności obliczeniowej, co znacznie ułatwia rozróżnianie prawidłowych przesunięcia terenu od zmienności wywołanej hałasem bez szumów. Eksperymentuje się z dwoma zestawami danych benchmarkowych: zbiorem danych Sonera Satellite Change Detection (OSCD) oraz zestawami danych SZTAKI AirChange. Znaczące eksperymenty przeprowadzone na zbiorach danych OSCD pokazują, że proponowane podejście osiąga konkurencyjne wskaźniki F1 na poziomie 58,14% (13 kanałów) i 50,68% (3 kanały) przy zaledwie 2,13 mln parametrów i 19,6G FLOPS, 19 razy mniej parametrów oraz 5,6-krotnej rotacji wniosków w porównaniu do ChangeFormer. Konkurencyjne wyniki na próbkach zestawów testowych Szada/1 i Tiszadob/3 zbioru danych SZTAKI, odpowiednio wynik F1 wynoszący 74,29% i 92,86%, umożliwiają wdrożenie w najbardziej brzegowych urządzeniach analityki czasu rzeczywistego oraz rozbudowanych systemów mapowania, gdzie energia operacyjna bezpośrednio zależy od energii obliczeniowej.

Introduction

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

Bezprecedensowy poziom urbanizacji w globalnym środowisku, utrata zasobów środowiskowych oraz zmiany krajobrazu spowodowane klimatem bezpośrednio wywołały konieczność zapewnienia precyzyjnego, terminowego i automatycznego systemu monitoringu, który potrafi identyfikować i mierzyć zmiany na powierzchni Ziemi. Teledetekcja satelitarna stała się podstawowym elementem masowego nadzoru środowiskowego, ponieważ zapewnia stałe pokrycie czasowe i przestrzenne, a także jest kluczowe w pełnym badaniu zmian. Dwuczasowe wykrywanie zmian na zdjęciach satelitarnych polega na charakteryzacji zmian powierzchni pomiędzy dwoma kolejnymi akwizycjami tego samego regionu geograficznego. J....

Access restricted. Please log in or start a trial to view this content.

Protocol

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

1. Oświadczenie etyczne

  1. Zarówno zestawy danych Onera Satellite Change Detection (OSCD), jak i SZTAKI AirChange użyte w tym badaniu zawierają publicznie dostępne obrazy RGB i wielospektralne obejmujące różnorodne cechy geograficzne. Te zbiory danych nie zawierają żadnych danych ograniczonych ani wrażliwych. Dlatego nie jest wymagana żadna etyczna zgoda na tę pracę.

2. Materiały i wyposażenie

  1. Testuj na komputerze z Windows 11 wyposażonym w procesor Intel Core i7 10870H, układ NVIDIA GeForce GTX 1650 Ti z 4GB pamięci VRAM oraz 32GB RAM.
    UWAGA: Środowisko programistyczne to Pyt....

Access restricted. Please log in or start a trial to view this content.

Results

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

Proponowana metoda wykrywania zmian została oceniona na podstawie ustalonych podejść bazowych, wykorzystując dwa publicznie dostępne zestawy danych benchmarkowych do oceny jej wydajności w różnych rozdzielczościach spektralnych i warunkach środowiskowych. Wyniki eksperymentów pokazują istotną poprawę w równoważeniu dokładności wykrywania z kontrolą fałszywie pozytywną, szczególnie pokazując zdolność metody do utrzymania wysokich wskaźników przypominania przy jednoczesnym znacznym zwiększeniu precyzji w porównaniu z trady.......

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Niniejsze badanie przedstawia interaktywną, wieloskalową sieć detekcji zmian opartą na fuzji uwagi oparty na wykrywaniu zmian w dwuczasowych obrazach satelitarnych. Integracja dwukierunkowego mechanizmu uwagi, w przeciwieństwie do metod jednokierunkowych, ułatwia pełną międzyczasową interakcję cech-obiekt z komplementarnymi sygnałami uwagi do przodu i do tyłu. Progresywne zmiany temporalne strumienia uwagi w przód są rejestrowane przez różnicę uwagi, tj. między starszymi a nowszymi akwizycjami czasowymi, podczas gdy spój.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Autorzy deklarują, że nie mają konfliktu interesów.

Acknowledgements

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

Badania te nie otrzymały żadnego konkretnego grantu od żadnej agencji finansującej z sektora publicznego, komercyjnego ani non-profit.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Zestaw narzędzi CUDANVIDIA CorporationWersja 11.3Akceleracja GPU do obliczeń uczenia głębokiego
cuDNNNVIDIA CorporationWersja 8.2Zoptymalizowana biblioteka głębokiego uczenia GPU
Intel  procesorIntel CorporationCore i7 10870HPlatforma obliczeniowa używana do trenowania i oceny proponowanego modelu deep learning
NumPyOpen SourceWersja 1.21.0Numeryczne przetwarzanie tablicowe
NVIDIA GeForce NVIDIA CorporationGTX 1650 Ti (4 GB VRAM)Jednostka przetwarzania grafiki używana do przyspieszonego treningu modeli
Zestaw danych Sonera Satellite Change Detection (OSCD)ONERAPublicznie dostępny optyczny zestaw danych RGB i wielospektralnych obrazów wykorzystywany do treningu i oceny.https://rcdaudt.github.io/oscd/
PythonPython Software FoundationWersja 3.8Język programowania używany do implementacji algorytmów
PyTorchMeta AI (Open Source)Wersja 1.12.1Otwartoźródłowe ramy głębokiego uczenia użyte do opracowania i trenowania proponowanego modelu
Scikit-learnOpen SourceWersja 1.0.2Metryki oceny wydajności
SZTAKI AirChange Benchmark DatasetSZTAKIPublicznie dostępny optyczny zestaw danych z powietrza RGB wykorzystywany do treningu i oceny.http://web.eee.sztaki.hu/remotesensing/airchange_benchmark.html
TorchvisionMeta AI (Open Source)Wersja 0.13.1Ładowanie zbiorów danych i transformacje obrazów
System WindowsMicrosoft11System operacyjny 

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Satellite Image ChangeChange DetectionMultiscale Attention FusionSparse Feature ConvolutionDeep LearningEncoder Decoder NetworkTemporal ModelingGhost ModulesLand Cover ChangeBenchmark Datasets

Related Articles