TINYCD: نموذج (ليس عميقًا جدًا) للتعلم العميق لاكتشاف التغييرات

في هذا البحث، نقدم نموذجًا خفيف الوزن وفعالًا للكشف عن التغييرات يُسمى TinyCD. تم تصميم هذا النموذج ليكون أسرع وأصغر من النماذج الحالية الرائدة في مجال الكشف عن التغييرات بفضل احتياجات الصناعة. رغم أن حجمه أصغر بمقدار 13 إلى 140 مرة من نماذج الكشف عن التغييرات التي تم مقارنتها بها، وكشفه عن أقل بنسبة الثلث على الأقل من التعقيد الحاسوبي، فإن نموذجنا يتفوق على النماذج الرائدة حاليًا بنسبة لا تقل عن 1٪ في كل من مؤشر F1 وتقاطع فوق الاتحاد (IoU) على مجموعة بيانات LEVIR-CD، وأكثر من 8٪ على مجموعة بيانات WHU-CD. للوصول إلى هذه النتائج، يستخدم TinyCD هندسة Siamese U-Net التي تستغل الميزات الأولية بطريقة زمنية عالمية ومكانيّة محلية. بالإضافة إلى ذلك، يتبنى استراتيجية جديدة لخلط الميزات في المجال الزماني-المكاني بهدف دمج المتجهات المستخرجة من الهياكل الأساسية Siamese، والتي عند ربطها بكتلة MLP، تشكل آلية انتباه فراغي-دلالية جديدة تُعرف بكتلة الخلط والانتباه (MAMB). يمكن الوصول إلى شفرة المصدر والنماذج والنتائج هنا: https://github.com/AndreaCodegoni/Tiny_model_4_CD