Austausch von Dual Encoder-Decoder: Eine neue Strategie zur Änderungserkennung mit semantischer Anleitung und räumlicher Lokalisierung

Änderungserkennung ist eine zentrale Aufgabe in Anwendungen der Erdbeobachtung. In jüngster Zeit haben tiefes Lernen-basierte Methoden vielversprechende Leistungen gezeigt und werden rasch in der Änderungserkennung übernommen. Dennoch haben die weit verbreiteten Architekturen mit mehreren Encodern und einem einzigen Decoder (MESD) sowie dualen Encoder-Decoder-Strukturen (DED) weiterhin Schwierigkeiten, die Änderungserkennung effektiv zu bewältigen. Erstere leiden unter bitemporaler Merkmalsinterferenz bei der Merkmalsfusion auf Ebene der Merkmale, während letztere nicht für die Änderungserkennung innerhalb derselben Klasse und für die Mehransichts-Gebäudeänderungserkennung geeignet sind. Um diese Probleme zu lösen, schlagen wir eine neue Strategie mit einer austauschbaren dualen Encoder-Decoder-Struktur vor, die für die binäre Änderungserkennung mit semantischer Anleitung und räumlicher Lokalisierung geeignet ist. Die vorgeschlagene Strategie behebt die Probleme der bitemporalen Merkmalsinferenz in MESD durch die Fusion bitemporaler Merkmale auf Entscheidungsebene und überwindet die Unbrauchbarkeit von DED, indem veränderte Bereiche anhand bitemporaler semantischer Merkmale bestimmt werden. Wir entwickeln ein binäres Änderungserkennungsmodell auf Basis dieser Strategie und validieren und vergleichen es mit 18 state-of-the-art-Methoden auf sechs Datensätzen in drei Szenarien, darunter Datensätze zur Änderungserkennung innerhalb derselben Klasse (CDD, SYSU), Datensätze zur Einzelaufnahmen-Gebäudeänderungserkennung (WHU, LEVIR-CD, LEVIR-CD+) sowie ein Datensatz zur Mehransichts-Gebäudeänderungserkennung (NJDS). Die experimentellen Ergebnisse zeigen, dass unser Modell eine hervorragende Leistung mit hoher Effizienz erzielt und alle Benchmark-Methoden bei F1-Scores von jeweils 97,77 %, 83,07 %, 94,86 %, 92,33 %, 91,39 % und 74,35 % auf den Datensätzen CDD, SYSU, WHU, LEVIR-CD, LEVIR-CD+ und NJDS übertrifft. Der Quellcode dieser Arbeit wird unter https://github.com/NJU-LHRS/official-SGSLN verfügbar sein.