شبكة تجميع صور مدعومة بشكل عميق للكشف عن التغير في صور الاستشعار عن بعد عالية الدقة الزمنية الثنائية

كشف التغير في صور الاستشعار عن بعد عالية الدقة يُعد أمرًا حيويًا لفهم التغيرات التي تحدث على سطح الأرض. وبما أن الطرق التقليدية لكشف التغير غير مناسبة لهذا المهمة نظرًا للتحديات الناتجة عن التفاصيل الدقيقة في الصور عالية الدقة والخصائص النسيجية المعقدة التي تحملها، تم اقتراح عدد من الطرق القائمة على التعلم العميق لتحسين أداء كشف التغير. وعلى الرغم من أن الطرق الحديثة القائمة على السمات العميقة تتفوق على جميع الطرق الأخرى القائمة على التعلم العميق، إلا أن الشبكات المستخدمة في الطرق الحالية المبنية على السمات العميقة هي في الغالب تعديلات على هيكلية تم اقتراحها أصلاً لتطبيقات التصنيف الدلالي للصورة الواحدة. ورغم ذلك، لا يزال نقل هذه الشبكات لتطبيق كشف التغير يواجه بعض المشكلات الأساسية. في هذه الورقة، نقترح شبكة تكامل صور مدعومة بشكل عميق (IFN) لكشف التغير في صور الاستشعار عن بعد ثنائية الزمن عالية الدقة. بشكل محدد، يتم استخراج السمات العميقة الممثلة بشكل قوي للصور ثنائية الزمن من خلال بنية ذات تدفق كامل لل.Convolution (Fully Convolutional Two-Stream Architecture). ثم تُدخل السمات العميقة المستخرجة إلى شبكة تمييز الفروق المدعومة بشكل عميق (DDN) للكشف عن التغير. ولتحسين اكتمال الحدود واتساق داخل الكائنات في خرائط التغير الناتجة، يتم دمج السمات العميقة متعددة المستويات للصور الأصلية مع سمات فروق الصور باستخدام وحدات الانتباه لاستعادة خرائط التغير. كما يتم تحسين أداء DDN من خلال إدخال خسائر خريطة التغير مباشرة إلى الطبقات الوسطى للشبكة، وتُدرّس الشبكة بالكامل بطريقة نهائية-إلى-نهائية (end-to-end). وقد تم تطبيق IFN على مجموعة بيانات متاحة للجمهور، وكذلك على مجموعة بيانات صعبة تتضمن صورًا ثنائية الزمن من مصادر متعددة من Google Earth تغطي مدن مختلفة في الصين. وتوصل التقييم البصري والتقييم الكمي إلى أن IFN تتفوق على أربع طرق معيارية مستمدة من الأدبيات، من خلال إرجاع المناطق المتغيرة ذات حدود كاملة واتساق داخلي عالٍ مقارنة بالطرق الحديثة.