DDPM-CD: نماذج التمايز الاحتمالية التفاضلية كمستخرجات للميزات للكشف عن التغير

يُعد الكشف عن التغيرات من خلال الاستشعار عن بعد أمرًا بالغ الأهمية لفهم ديناميكيات سطح كوكبنا، حيث يُسهّل مراقبة التغيرات البيئية وتقييم الأثر البشري والتنبؤ بالاتجاهات المستقبلية ودعم اتخاذ القرارات. في هذا العمل، نقدّم منهجية جديدة للكشف عن التغيرات تستطيع الاستفادة من صور الاستشعار عن بعد الجاهزة وغير المُعلّمة خلال عملية التدريب من خلال تدريب مسبق لنموذج احتمالي تفتيت التلاشي (DDPM)، وهو نوع من النماذج التوليدية المستخدمة في تصنيع الصور. تعتمد نماذج DDPM على تعلّم توزيع البيانات التدريبية من خلال تحويل الصور التدريبية تدريجيًا إلى توزيع طبيعي باستخدام سلسلة ماركوف. أثناء الاستنتاج (أي العينة)، يمكنها إنتاج مجموعة متنوعة من العينات الأقرب إلى توزيع البيانات التدريبية، بدءًا من الضوضاء الطبيعية، مما يحقق نتائج متقدمة جدًا في تصنيع الصور. ومع ذلك، فإن تركيزنا في هذا العمل لا يكمن في تصنيع الصور، بل في استخدام النموذج المُدرّب مسبقًا كمُستخرج للسمات لتطبيق تابع في الكشف عن التغيرات. وبشكل خاص، نُعدّل نموذجًا خفيف الوزن للكشف عن التغيرات باستخدام التمثيلات السمية الناتجة عن نموذج DDPM المُدرّب مسبقًا جنبًا إلى جنب مع العلامات الخاصة بالتغيرات. أظهرت التجارب التي أُجريت على مجموعات البيانات LEVIR-CD وWHU-CD وDSIFN-CD وCDD أن طريقة DDPM-CD المقترحة تتفوّق بشكل ملحوظ على الطرق الحالية الرائدة في مجال الكشف عن التغيرات من حيث مقياس F1 ومقاييس IoU والدقة الإجمالية، مما يبرز الدور المحوري لنموذج DDPM المُدرّب مسبقًا كمُستخرج للسمات في التطبيقات اللاحقة. ونُقدّم الكود والنماذج المُدرّبة مسبقًا متاحة للجميع عبر الرابط: https://github.com/wgcban/ddpm-cd