Konsistenzregularisierung für die semi-überwachte Änderungserkennung in Fernerkundungsdaten erneut betrachtet

Die Fernerkundung (Fernerkundung, kurz FR) zur Änderungserkennung (Änderungserkennung, kurz AE) zielt darauf ab, "interessante Änderungen" aus koregistrierten bitemporalen Bildern zu erkennen. Die Leistung der existierenden tiefen überwachten AE-Methoden ist auf die großen Mengen an annotierten Daten zurückzuführen, die verwendet werden, um die Netze zu trainieren. Allerdings ist das Annotieren großer Mengen an Fernerkundungsbildern arbeitsintensiv und kostspielig, insbesondere bei bitemporalen Bildern, da es von einem Experten pixelweise Vergleiche erfordert. Auf der anderen Seite haben wir oft Zugang zu unbegrenzt vielen unannotierten multitemporalen FR-Bildern dank ständig wachsender Erdbeobachtungsprogramme. In dieser Arbeit schlagen wir eine einfache, aber effektive Methode vor, um Informationen aus unannotierten bitemporalen Bildern zu nutzen, um die Leistung von AE-Ansätzen zu verbessern. Genauer gesagt schlagen wir ein semisupervisiertes AE-Modell vor, in dem wir einen unüberwachten AE-Verlust hinzufügen zum überwachten Kreuzentropieverlust (Cross-Entropy, kurz CE), indem wir die Ausgabeänderungswahrscheinlichkeitskarte eines gegebenen unannotierten Bitemporalbildpaares unter kleinen zufälligen Störungen auf der tiefen Merkmalsdifferenzkarte einschränken, die durch Subtraktion ihrer latenten Merkmalsrepräsentationen erhalten wird. Experimente mit zwei öffentlich verfügbaren AE-Datensätzen zeigen, dass das vorgeschlagene semisupervisierte AE-Verfahren auch bei nur 10 % der annotierten Trainingsdaten nahe an die Leistung des überwachten AE herankommt. Der Quellcode ist unter https://github.com/wgcban/SemiCD verfügbar.