RDP-Net : Réseau de Préservation des Détails Régionaux pour la Détection de Changements

La détection de changement (CD) est une technique essentielle d'observation terrestre. Elle capture les informations dynamiques des objets terrestres. Avec l'émergence de l'apprentissage profond, les réseaux neuronaux convolutifs (CNN) ont montré un grand potentiel dans le domaine de la CD. Cependant, les modèles CNN actuels introduisent des architectures de base qui perdent des informations détaillées au cours de l'apprentissage. De plus, ces modèles CNN sont lourds en termes de paramètres, ce qui empêche leur déploiement sur des dispositifs périphériques tels que les drones non pilotés (UAV). Dans cette étude, nous abordons ce problème en proposant RDP-Net : un réseau préservant les détails régionaux pour la CD. Nous proposons une stratégie d'entraînement efficace qui construit les tâches d'entraînement pendant la période de préchauffage de l'entraînement CNN et permet à la CNN d'apprendre progressivement du simple au complexe. Cette stratégie d'entraînement permet à la CNN d'apprendre des caractéristiques plus puissantes avec moins d'opérations flottantes (FLOPs) et d'obtenir de meilleures performances. Ensuite, nous proposons une fonction de perte efficace aux bords qui augmente la pénalité pour les erreurs sur les détails et améliore l'attention du réseau aux détails tels que les régions frontalières et les petites zones. De plus, nous fournissons un modèle CNN doté d'une architecture de base entièrement nouvelle qui atteint des performances empiriques de pointe en CD avec seulement 1,70 million de paramètres. Nous espérons que notre RDP-Net bénéficiera aux applications pratiques de CD sur des dispositifs compacts et inspirera davantage de personnes à porter la détection de changement à un nouveau niveau grâce à notre stratégie d'entraînement efficace. Le code source et les modèles sont disponibles publiquement sur https://github.com/Chnja/RDPNet.