RDP-Net: Region Detail Preserving Network für Change Detection

Die Änderungserkennung (Change Detection, CD) ist eine wesentliche Technik der Erdbeobachtung. Sie erfasst die dynamischen Informationen von Landobjekten. Mit dem Aufkommen des tiefen Lernens haben Faltungsneuronale Netze (Convolutional Neural Networks, CNN) ein großes Potenzial in der CD gezeigt. Allerdings führen aktuelle CNN-Modelle zu Backbone-Architekturen, die detaillierte Informationen während des Lernprozesses verlieren. Zudem sind aktuelle CNN-Modelle parameterlastig, was ihre Bereitstellung auf Edge-Geräten wie Drohnen verhindert. In dieser Arbeit adressieren wir dieses Problem durch den Vorschlag von RDP-Net: einem Netzwerk zur Erhaltung regionaler Details für CD. Wir schlagen eine effiziente Trainingsstrategie vor, die die Trainingsaufgaben während der Warm-up-Phase des CNN-Trainings konstruiert und das CNN von einfach zu schwierig lernen lässt. Diese Trainingsstrategie ermöglicht es dem CNN, mächtigere Merkmale mit weniger FLOPs zu lernen und bessere Leistungen zu erzielen. Als Nächstes schlagen wir einen effektiven Randverlust (Edge Loss) vor, der die Strafe für Fehler in Details erhöht und die Aufmerksamkeit des Netzes auf Details wie Grenzregionen und kleine Flächen verbessert. Darüber hinaus stellen wir ein CNN-Modell mit einer völlig neuen Backbone-Architektur vor, das mit nur 1,70 Millionen Parametern den aktuellen Stand der Technik in der CD erreicht. Wir hoffen, dass unser RDP-Net praktische CD-Anwendungen auf kompakten Geräten fördern wird und mehr Menschen inspiriert, die Änderungserkennung mit Hilfe der effizienten Trainingsstrategie auf ein neues Niveau zu bringen. Der Code und die Modelle sind öffentlich verfügbar unter https://github.com/Chnja/RDPNet.