Änderung ist allgegenwärtig: Einzelzeitliche überwachte Objektänderungserkennung in Fernerkundungsdaten

Für hochaufgelöste (HSR) Fernerkundungsbilder dominiert bitemporales überwachtes Lernen stets die Änderungserkennung unter Verwendung vieler paarweise beschrifteter bitemporaler Bilder. Allerdings ist es sehr kostspielig und zeitaufwendig, große Mengen an bitemporalen HSR-Fernerkundungsbildern paarweise zu beschriften. In dieser Arbeit schlagen wir ein single-temporales überwachtes Lernen (STAR) für die Änderungserkennung vor, das aus einer neuen Perspektive ausgeht, indem es Objektänderungen in unbespielten Bildern als Überwachungssignale nutzt. STAR ermöglicht es uns, einen hochgenauen Änderungsdetektor nur mit Hilfe von unpaarweise beschrifteten Bildern zu trainieren und auf reale bitemporale Bilder zu verallgemeinern. Um die Effektivität von STAR zu bewerten, haben wir einen einfachen, aber effektiven Änderungsdetektor namens ChangeStar entwickelt, der durch das ChangeMixin-Modul jede tiefenschichtige Segmentierungsarchitektur wiederverwenden kann. Die umfassenden experimentellen Ergebnisse zeigen, dass ChangeStar unter single-temporaler Überwachung deutlich besser als die Baseline performiert und unter bitemporaler Überwachung eine überlegene Leistung erzielt. Der Quellcode ist unter https://github.com/Z-Zheng/ChangeStar verfügbar.