C2F-SemiCD: Eine Methode zur semi-supervisierten Änderungserkennung auf der Basis von Konsistenzregularisierung in hochaufgelösten Fernerkundungsdaten

Ein hochpräzises Merkmalsextraktionsmodell ist entscheidend für die Änderungserkennung (Change Detection, CD). In der Vergangenheit lernten viele auf tiefem Lernen basierende überwachte CD-Methoden, Änderungsmerkmalsmuster aus einer großen Anzahl von etikettierten bitemporalen Bildern zu erkennen. Das Etikettieren von bitemporalen Fernerkundungsbildern ist jedoch sehr kostspielig und oft zeitaufwendig. Daher schlagen wir eine grob-zu-feine semiüberwachte CD-Methode vor, die auf Konsistenzregularisierung basiert (Coarse-to-Fine Semi-Supervised Change Detection, C2F-SemiCD). Diese Methode umfasst ein grob-zu-feines CD-Netzwerk mit einem mehrskaligen Aufmerksamheitsmechanismus (C2FNet) und eine semiüberwachte Aktualisierungsmethode. Dabei vervollständigt das C2FNet-Netzwerk die Extraktion von Änderungsmerkmalen schrittweise von grobkörnig zu feinkörnig durch die Fusion mehrskaliger Merkmale, den Kanalaufmerksamheitsmechanismus, den räumlichen Aufmerksamheitsmechanismus, das globale Kontextmodul, das Merkmalsverfeinerungsmodul, das initiale Aggregationsmodul und das finale Aggregationsmodul. Die semiüberwachte Aktualisierungsmethode verwendet die Mean Teacher Methode. Die Parameter des Schülers werden durch die exponentielle gleitende Mittelwertmethode (Exponential Moving Average, EMA) auf die Parameter des Lehrers aktualisiert. Durch umfangreiche Experimente auf drei Datensätzen und sorgfältige Abstraktionsstudien, einschließlich Kreuzvalidierungsversuchen über verschiedene Datensätze hinweg, verifizieren wir die erhebliche Effektivität und Effizienz der vorgeschlagenen C2F-SemiCD-Methode. Der Code wird öffentlich zur Verfügung gestellt unter: https://github.com/ChengxiHAN/C2F-SemiCDand-C2FNet.