Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Методическая статья
В данном исследовании представлена интерактивная многомасштабная модель слияния внимания с сетями разрежённых признаков свёртки для улучшения обнаружения изменений спутниковых изображений. Подход использует преимущества многомасштабного извлечения признаков, избирательного фокуса на внимание и редких свёрток для эффективного обнаружения и локализации изменений на двухвременных спутниковых снимках за счёт снижения вычислительной сложности.
Обнаружение изменений с помощью двухвременных спутниковых снимков — важная задача в мониторинге Земли, которая направлена на выявление и локализацию изменений поверхности между временным приобретением и различение реальных псевдоизменений, вызванных сезонными циклами, атмосферными факторами или техногными изменениями. Современные методы глубокого обучения обычно сталкиваются с односторонним уклоном во временном моделировании, что ограничивает возможность использования крупномасштабных пространственных связей для правильной характеристики изменений. Хотя современные методы на основе трансформаторов очень точны, их вычислительные требования также довольно велики, что ограничивает их использование в задачах с ограниченными ресурсами. В ответ на эти ограничения в этой статье предлагается создать интерактивную многомасштабную слияние внимания (IMAF) с разрежённой конволюцией признаков (SFC) на базе модулей Ghost для эффективного извлечения многомасштабных признаков. Сеть использует продвинутую архитектуру энкодер-декодера, дополненную интерактивными модулями внимания в различных масштабах. Сеть работает с дополняющими потоками вперёд и назад: первый фиксирует прогрессивные временные вариации, а второй проверяет согласованность изменений с помощью обратного временного анализа. Этот интерактивный метод позволяет эффективно представлять дуплексную модель временных отношений без вычислительной сложности, что значительно улучшает подходы к различению законных перемещений земельного покрова от шума без шумовых изменений. Проводятся эксперименты с двумя эталонными наборами данных: набором данных Onera Satellite Change Detection (OSCD) и набором данных SZTAKI AirChange. Значимые эксперименты, проведённые на наборах данных OSCD, показывают, что предлагаемый подход достигает конкурентных скоростей F1 в 58,14% (13 каналов) и 50,68% (3 канала) при использовании всего 2,13 млн параметров и 19,6 G FLOPS, что в 19 раз меньше параметров и 5,6x оборота выводов по сравнению с ChangeFormer. Конкурентная производительность на выборках тестовых наборов Szada/1 и Tiszadob/3 из набора данных SZTAKI, а также F1-баллы 74,29% и 92,86% соответственно, позволяют внедрять в самых передовых устройствах, аналитику в реальном времени и обширные картографические системы, где рабочая энергия напрямую зависит от вычислительной энергии.
Беспрецедентные уровни урбанизации в глобальной среде, потеря экологических ресурсов и изменения ландшафта из-за климата напрямую вызвали необходимость создания точной, своевременной и автоматической системы мониторинга, способной выявлять и измерять изменения на поверхности Земли. Спутниковое дистанционное зондирование стало основой массового экологического наблюдения, поскольку обеспечивает стабильное временное и пространственное покрытие, а также важно для полного изучения изменений. Бивременное обнаружение изменений спутниковых снимков — это характеристика изменений поверхности между двумя последовательными получениями одного и то....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
1. Этическое заявление
2. Материалы и оборудование
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Предлагаемый метод обнаружения изменений был оценён по установленным базовым подходам с использованием двух общедоступных эталонных наборов данных для оценки его эффективности при различных спектральных разрешениях и условиях окружающей среды. Экспериментальные результаты показывают значительные улучшения в балансе точности обнаружения с контролем ложноположительных результатов, особенно демонстрируя способность метода поддерживать высокие показатели воспоминания при значительном повышен.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В данном исследовании представлена интерактивная многомасштабная сеть обнаружения изменений на основе синтеза внимания для обнаружения изменений на двухвременных спутниковых снимках. Интеграция двунаправленного механизма внимания, в отличие от однонаправленных методов, способствует полноценному межвременному взаимодействию признаков с дополняющими сигналами вперёд и назад. Прогрессивные временные изменения прямого потока внимания фиксируются разницей внимания, то есть от старых к новым в.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторы заявляют, что у них нет конфликта интересов.
Это исследование не получило конкретного гранта от каких-либо фондов в государственном, коммерческом или некоммерческом секторе.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Набор инструментов CUDA | Корпорация NVIDIA | Версия 11.3 | Ускорение GPU для вычислений в глубоком обучении |
| cuDNN | Корпорация NVIDIA | Версия 8.2 | Оптимизированная библиотека глубокого обучения GPU |
| Intel процессор | Intel Corporation | Core i7 10870H | Вычислительная платформа, используемая для обучения и оценки предлагаемой модели глубокого обучения |
| NumPy | Открытый исходный код | Версия 1.21.0 | Численная обработка массив |
| NVIDIA GeForce | Корпорация NVIDIA | GTX 1650 Ti (4 ГБ видеопамяти) | Графический процессор, используемый для ускоренного обучения моделей |
| Набор данных Onera Satellite Change Detection (OSCD) | ОНЕРА | Общедоступный оптический набор данных RGB и мультиспектральных изображений, используемый для обучения и оценки. | https://rcdaudt.github.io/oscd/ |
| Python | Фонд программного обеспечения Python | Версия 3.8 | Язык программирования, используемый для реализации алгоритмов |
| PyTorch | Meta AI (с открытым исходным кодом) | Версия 1.12.1 | Открытый фреймворк глубокого обучения, используемый для разработки и обучения предлагаемой модели |
| Scikit-learn | Открытый исходный код | Версия 1.0.2 | Метрики оценки эффективности |
| SZTAKI AirChange Benchmark Dataset | ШТАКИ | Общедоступный оптический RGB-набор аэрофотоснимков, используемый для обучения и оценки. | http://web.eee.sztaki.hu/remotesensing/airchange_benchmark.html |
| Torchvision | Meta AI (с открытым исходным кодом) | Версия 0.13.1 | Загрузка наборов данных и преобразования изображений |
| Windows OS | Microsoft | 11 | Операционная система |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.