Ein end-to-end überwachtes Domänenadaptierungsframework für die Cross-Domänenerkennung von Änderungen

Bestehende vertiefungsbasierte Verfahren zur Änderungserkennung versuchen, komplizierte neuronale Netze mit leistungsfähigen Merkmalsrepräsentationen sorgfältig zu entwerfen, ignorieren aber die durch zeitlich veränderliche Landbedeckungsänderungen verursachte allgemeine Domänenverschiebung, einschließlich Helligkeitsfluktuationen und saisonalen Änderungen zwischen den Vorkatastrophen- und Nachkatastrophenbildern, was zu suboptimalen Ergebnissen führt. In dieser Arbeit schlagen wir einen end-to-end überwachten Domänenadaptationsrahmen für die cross-domänen Änderungserkennung vor, nämlich SDACD (Supervised Domain Adaptation for Cross-Domain Change Detection), um die Domänenverschiebung zwischen zeitlich getrennten Bildern effektiv zu mildern und bessere Änderungsvorhersagen zu ermöglichen. Insbesondere präsentiert unser SDACD kollaborative Anpassungen sowohl aus bildlicher als auch aus merkmalsbasierter Perspektive mit überwachtem Lernen. Die bildliche Anpassung nutzt generatives adversariales Lernen unter Berücksichtigung von Zyklus-Konsistenzbedingungen, um eine cross-domänen Stilverwandlung durchzuführen und so den Domänenabstand auf beiden Seiten der Generierung effektiv zu verringern. Was die merkmalsbasierte Anpassung betrifft, extrahieren wir domäneninvariante Merkmale, um verschiedene Merkmalsverteilungen im Merkmalsraum auszurichten, was den Domänenabstand von cross-domänen Bildern weiter reduzieren kann. Um die Leistung weiter zu verbessern, kombinieren wir drei Arten von zeitlich getrennten Bildern für die endgültige Änderungsvorhersage: die ursprünglichen Eingangs-bildzeitreihen sowie zwei generierte bildzeitreihen aus den Vorkatastrophen- und Nachkatastrophenbereichen. Ausführliche Experimente und Analysen anhand zweier Benchmarks zeigen die Effektivität und Allgemeingültigkeit unseres vorgeschlagenen Rahmens. Bemerkenswerterweise erreicht unser Rahmen mehrere repräsentative Baseline-Modelle auf neuen Stand der Technik (State-of-the-Art) Rekorden: 97,34 % auf dem CDD-Datensatz und 92,36 % auf dem WHU-Gebäudedatensatz. Der Quellcode und die Modelle sind öffentlich verfügbar unter https://github.com/Perfect-You/SDACD.