LRNet: كشف التغير في الصور الفضائية عالية الدقة من خلال استراتيجية التحديد ثم التحسين

تمثّل كشف التغيرات، كنقطة بارزة في مجال الاستشعار عن بعد، مجالًا يشهد تطورًا مستمرًا ونهجًا متقدمًا. ومع ذلك، تظل مسألة التمييز الدقيق للحدود بين المناطق المتغيرة والخلفيات المحيطة بها عائقًا رئيسيًا، نظرًا لتعقيد العناصر المحيطة. فعند التعامل مع المناطق المتغيرة الكبيرة، غالبًا ما تحدث تشوهات في التموضع الحدودي، بينما تُلاحظ ظاهرة الربط غير الصحيح للحدود في الحالات التي تكون فيها المناطق المتغيرة صغيرة. ولحل هذه المشكلات، تم اقتراح شبكة جديدة تعتمد على استراتيجية التحديد أولاً ثم التحسين، وتُعرف باسم LRNet. تتكون LRNet من مرحلتين: المرحلة الأولى هي التحديد (localization)، والثانية هي التحسين (refinement). في مرحلة التحديد، يُستخدم مُشفر ثلاثي الفروع لاستخراج خصائص الصور الأصلية والخصائص التفاضلية لها، بهدف تحديد موضع كل منطقة متغيرة بشكل تفاعلي. ولتقليل فقدان المعلومات أثناء استخراج الخصائص، تم اقتراح تقنية "التجميع المُتاحِل الأمثل القابل للتعلم" (Learnable Optimal Pooling - LOP)، والتي تُستبدل بها تقنية التجميع الأقصى الشائعة (max-pooling). علاوةً على ذلك، تُعد هذه العملية قابلة للتدريب، وتساهم بشكل مباشر في تحسين الشبكة بشكل عام. ولتحقيق تفاعل فعّال بين الخصائص المستخرجة من الفروع المختلفة، وتحديد دقيق لمنطقة التغيرات بمقاييس متنوعة، تم اقتراح وحدة "الانتباه المتمحور حول التموضع التغييري" (Change Alignment Attention - C2A)، ووحدة "التركيب التصاعدي المتمحور حول التموضع التغييري" (Hierarchical Change Alignment - HCA). وفي مرحلة التحسين، يتم تعديل نتائج التحديد من المرحلة السابقة من خلال تقييد مناطق التغيرات والحدود المرتبطة بها باستخدام وحدة "التموضع التكافئي بين الحدود والمنطقة" (Edge-Area Alignment - E2A). ثم، يُستخدم المشفر (decoder) مع الخصائص التفاضلية المُعززة بواسطة C2A في المرحلة الأولى، لتحسين مناطق التغيرات ذات الأحجام المختلفة، مما يؤدي في النهاية إلى تمييز دقيق للحدود حول مناطق التغير. أظهرت LRNet تفوقًا ملحوظًا على 13 من أحدث الطرق المتميزة في مجموعة معايير التقييم الشاملة، وقدمت أفضل نتائج في تمييز الحدود الدقيقة على مجموعتي بيانات LEVIR-CD وWHU-CD.