摘要
现有的基于深度学习的变化检测方法试图精心设计复杂的神经网络以实现强大的特征表示，但忽视了由时间变化引起的土地覆盖变化所导致的普遍领域偏移问题，包括事件前和事件后图像之间的亮度波动和季节变化，从而产生次优结果。在本文中，我们提出了一种端到端的监督域适应框架，用于跨域变化检测，即SDACD（Supervised Domain Adaptation for Cross-Domain Change Detection），以有效缓解双时相图像之间的领域偏移，提高变化预测的准确性。具体而言，我们的SDACD框架从图像和特征两个角度进行协同适应，并结合监督学习。图像适应利用带有循环一致性约束的生成对抗学习来执行跨域风格转换，通过双向生成方式有效缩小领域差距。至于特征适应，我们提取领域不变特征以对齐特征空间中的不同特征分布，进一步减少跨域图像的领域差距。为了进一步提升性能，我们将三种类型的双时相图像结合起来进行最终的变化预测，包括初始输入的双时相图像以及从事件前和事件后域生成的两组双时相图像。我们在两个基准数据集上进行了广泛的实验和分析，证明了所提框架的有效性和普适性。值得注意的是，我们的框架将几个代表性基线模型提升到了新的最先进水平，在CDD和WHU建筑数据集上分别达到了97.34%和92.36%的准确率。源代码和模型已在https://github.com/Perfect-You/SDACD公开发布。