Dsfer-Net: Ein tiefes Überwachungs- und Merkmalsretrieval-Netzwerk für bitemporale Veränderungserkennung unter Verwendung moderner Hopfield-Netzwerke

Änderungserkennung, eine zentrale Anwendung für hochaufgelöste Fernerkundungsbilder, zielt darauf ab, Veränderungen der Erdoberfläche über die Zeit hinweg zu überwachen und zu analysieren. Aufgrund des rasanten Anstiegs an hochaufgelösten Fernerkundungsdaten und der Komplexität texturerhaltender Merkmale wurden mehrere quantitative, auf tiefen Lernverfahren basierende Methoden vorgeschlagen. Diese Methoden übertrumpfen traditionelle Ansätze zur Änderungserkennung, indem sie tiefe Merkmale extrahieren und räumlich-zeitliche Informationen kombinieren. Dennoch fehlen bisher plausibele Erklärungen dafür, wie tiefe Merkmale die Erkennungsleistung verbessern. In unseren Untersuchungen stellten wir fest, dass moderne Hopfield-Netzwerk-Schichten die semantische Verständnisfähigkeit erheblich steigern. In diesem Artikel präsentieren wir ein tiefes Überwachungs- und Merkmalsabruf-Netzwerk (Dsfer-Net) für zweizeitliche Änderungserkennung. Insbesondere werden die hochrepräsentativen tiefen Merkmale zweier zeitlich unterschiedlicher Bilder gemeinsam durch ein vollständig konvolutionales Siamese-Netzwerk extrahiert. Basierend auf der sequenziellen geographischen Information der zweizeitlichen Bilder haben wir einen Merkmalsabruf-Modul entworfen, um Differenzmerkmale zu extrahieren und diskriminative Informationen auf tief überwachter Weise zu nutzen. Zudem beobachteten wir, dass der tief überwachte Merkmalsabruf-Modul erklärbare Hinweise auf das semantische Verständnis des vorgeschlagenen Netzwerks in seinen tiefen Schichten liefert. Schließlich etabliert unser end-to-end-Netzwerk durch Aggregation abgerufener Merkmale und Merkmalspaare aus verschiedenen Schichten einen neuen Rahmen. Experimente an drei öffentlichen Datensätzen (LEVIR-CD, WHU-CD und CDD) bestätigen die Überlegenheit des vorgeschlagenen Dsfer-Net gegenüber anderen state-of-the-art-Methoden.