Un Cadre de Détection de Changement Inter-domaines Supervisé de bout en bout

Les méthodes actuelles de détection de changement basées sur l'apprentissage profond tentent de concevoir des réseaux neuronaux complexes avec des représentations de caractéristiques puissantes, mais négligent le décalage de domaine universel induit par les variations temporelles des couvertures terrestres, y compris les fluctuations d'éclairement et les changements saisonniers entre les images pré-événement et post-événement, produisant ainsi des résultats sous-optimaux. Dans cet article, nous proposons un cadre d'adaptation de domaine supervisée (Supervised Domain Adaptation) pour la détection de changement inter-domaine, appelé SDACD, afin d'atténuer efficacement le décalage de domaine entre les images bitemporales pour une meilleure prédiction des changements. Plus précisément, notre SDACD présente des adaptations collaboratives à la fois du point de vue des images et des caractéristiques avec apprentissage supervisé. L'adaptation d'image utilise l'apprentissage génératif adversarial avec des contraintes de cohérence cyclique pour effectuer une transformation stylistique inter-domaine, réduisant efficacement le décalage de domaine dans un processus bidirectionnel. Quant à l'adaptation de caractéristiques, nous extrayons des caractéristiques invariantes au domaine pour aligner différentes distributions de caractéristiques dans l'espace des caractéristiques, ce qui peut encore réduire le décalage de domaine entre les images inter-domaine. Pour améliorer davantage les performances, nous combinons trois types d'images bitemporales pour la prédiction finale du changement : les images bitemporales initiales en entrée et deux images bitemporales générées à partir des domaines pré-événement et post-événement. Des expériences et analyses approfondies sur deux bancs d'essai montrent l'efficacité et l'universalité de notre cadre proposé. Notamment, notre cadre améliore plusieurs modèles baselines représentatifs jusqu'à atteindre de nouveaux records d'état de l'art (State-Of-The-Art), obtenant respectivement 97,34 % et 92,36 % sur les jeux de données CDD et WHU building. Le code source et les modèles sont librement disponibles sur https://github.com/Perfect-You/SDACD.