RFL-CDNet: Näherung an eine genaue Änderungserkennung durch reichere Merkmalslernprozesse

Veränderungserkennung ist eine entscheidende, jedoch äußerst herausfordernde Aufgabe der Analyse von Fernerkundungsbildern, und durch die rasante Entwicklung tiefgehender Lernverfahren wurden erhebliche Fortschritte erzielt. Dennoch konzentrieren sich die meisten bestehenden tiefen Lern-basierten Ansätze zur Veränderungserkennung hauptsächlich auf komplizierte Merkmalsextraktion und Multiskalen-Merkmalsfusion, während die unzureichende Nutzung von Merkmalen in den mittleren Stufen vernachlässigt wird, was zu suboptimalen Ergebnissen führt. Um diesem Problem entgegenzuwirken, schlagen wir einen neuartigen Ansatz namens RFL-CDNet vor, der durch reichhaltigere Merkmalslernprozesse die Leistung der Veränderungserkennung verbessert. Konkret führen wir zunächst tiefes mehrfaches Supervision ein, um die mittleren Darstellungen zu stärken und somit das Potenzial des Hauptmerkmalextraktors in jeder Stufe voll auszuschöpfen. Darüber hinaus entwerfen wir das Coarse-to-Fine Guiding (C2FG)-Modul und das Learnable Fusion (LF)-Modul, um die Merkmalslernleistung weiter zu verbessern und differenziertere Merkmalsdarstellungen zu erzielen. Das C2FG-Modul zielt darauf ab, die Vorhersage aus der vorherigen groben Skala nahtlos in die aktuelle feine Skalenvorhersage in einer grob-zu-fein-Weise zu integrieren, während das LF-Modul annimmt, dass der Beitrag jeder Stufe und jeder räumlichen Position unabhängig ist, und daher ein lernbares Modul zur Fusion mehrerer Vorhersagen entwirft. Experimente auf mehreren Benchmark-Datensätzen zeigen, dass unser vorgeschlagener RFL-CDNet die derzeit beste Leistung auf dem WHU-Ackerland-Datensatz und dem CDD-Datensatz erzielt und auf dem WHU-Gebäude-Datensatz die zweitbeste Leistung erreicht. Der Quellcode und die Modelle sind öffentlich unter https://github.com/Hhaizee/RFL-CDNet verfügbar.