Skalierbare Generierung von Mehrzeitlichen Fernerkundungsänderungsdaten durch Simulation stochastischer Änderungsprozesse

Das Verständnis der zeitlichen Dynamik der Erdoberfläche ist eine Aufgabe der multitemporalen Fernerkundungsbildanalyse, die durch tiefen Sehen-Modelle erheblich gefördert wird, wobei beschriftete multitemporale Bilder als Treibstoff dienen. Die Sammlung, Vorverarbeitung und Annotation von multitemporalen Fernerkundungsbildern in großem Umfang ist jedoch nicht trivial, da sie kostspielig und wissensintensiv sind. In dieser Arbeit stellen wir einen skalierbaren Daten-Generator für multitemporale Fernerkundungsänderungen vor, der durch generatives Modellieren billig und automatisch erstellt wird und diese Probleme lindert. Unser Hauptansatz besteht darin, einen stochastischen Änderungsprozess über die Zeit zu simulieren. Wir betrachten den stochastischen Änderungsprozess als wahrscheinlichkeitstheoretische semantische Zustandsübergänge, also ein generatives wahrscheinlichkeitstheoretisches Änderungsmodell (GPCM), das das komplexe Simulationsproblem in zwei besser handhabbare Teilprobleme zerlegt: die Simulation von Änderungsevents und die synthetische Erstellung semantischer Änderungen. Um diese beiden Probleme zu lösen, präsentieren wir den Änderungs-Generator (Changen), ein auf GANs basierendes GPCM, das eine steuerbare Generierung von Objektänderungsdaten ermöglicht, einschließlich anpassbarer Objekteigenschaften und Änderungsevents. Ausführliche Experimente deuten darauf hin, dass unser Changen eine überlegene Generierungsfähigkeit besitzt und dass Änderungserkennersysteme mit Changen-Vortraining eine ausgezeichnete Übertragbarkeit auf reale Änderungsdatensätze zeigen.