通过模拟随机变化过程实现可扩展的多时相遥感变化数据生成

理解地球表面的时间动态变化是多时相遥感图像分析的一项重要任务，这一任务因深度视觉模型的发展而得到了显著推动，而深度视觉模型的“燃料”——带有标签的多时相图像则起到了关键作用。然而，大规模收集、预处理和标注多时相遥感图像并非易事，因为这既耗资巨大又需要深厚的专业知识。在本文中，我们提出了一种基于生成建模的可扩展多时相遥感变化数据生成器，该方法成本低廉且自动化程度高，能够有效缓解这些问题。我们的主要思路是在时间上模拟一个随机变化过程。我们将这个随机变化过程视为一种概率语义状态转换，即生成概率变化模型（Generative Probabilistic Change Model, GPCM），该模型将复杂的模拟问题分解为两个更易于追踪的子问题，即变化事件模拟和语义变化合成。为了解决这两个问题，我们提出了变化生成器（Change Generator, Changen），这是一种基于生成对抗网络（GAN）的GPCM，能够实现可控的对象变化数据生成，包括可定制的对象属性和变化事件。大量实验表明，我们的Changen具有出色的生成能力，并且经过Changen预训练的变化检测器在实际变化数据集上表现出优异的迁移性能。