Échange de double encodeur-decodeur : une nouvelle stratégie pour la détection de changements avec une guidance sémantique et une localisation spatiale

La détection de changements constitue une tâche essentielle dans les applications d’observation de la Terre. Récemment, les méthodes basées sur l’apprentissage profond ont montré des performances prometteuses et sont rapidement adoptées dans ce domaine. Toutefois, les architectures largement utilisées, telles que l’architecture à plusieurs encodeurs et un seul décodeur (MESD) ainsi que l’architecture à double encodeur-décodeur (DED), peinent encore à traiter efficacement la détection de changements. La première souffre d’un problème d’interférence entre les caractéristiques bitemporelles au niveau de la fusion des caractéristiques, tandis que la seconde n’est pas applicable à la détection de changements intraclasses ni à la détection de changements de bâtiments à plusieurs vues. Pour résoudre ces limitations, nous proposons une nouvelle stratégie fondée sur une architecture à double encodeur-décodeur échangeable, intégrant une guidance sémantique et une localisation spatiale, destinée à la détection binaire de changements. Cette stratégie surmonte le problème d’inférence bitemporelle dans MESD en fusionnant les caractéristiques bitemporelles au niveau de la décision, et résout l’inapplicabilité de DED en déterminant les zones de changement à partir des caractéristiques sémantiques bitemporelles. Nous avons construit un modèle de détection binaire de changements basé sur cette stratégie, puis l’avons validé et comparé avec 18 méthodes de pointe dans le domaine sur six jeux de données, dans trois scénarios distincts : jeux de données de détection de changements intraclasses (CDD, SYSU), jeux de données de détection de changements de bâtiments à une seule vue (WHU, LEVIR-CD, LEVIR-CD+) et un jeu de données de détection de changements de bâtiments à plusieurs vues (NJDS). Les résultats expérimentaux démontrent que notre modèle atteint des performances supérieures avec une grande efficacité, surpassant toutes les méthodes de référence, avec des scores F1 respectifs de 97,77 %, 83,07 %, 94,86 %, 92,33 %, 91,39 % et 74,35 % sur les jeux de données CDD, SYSU, WHU, LEVIR-CD, LEVIR-CD+ et NJDS. Le code de ce travail sera disponible à l’adresse suivante : https://github.com/NJU-LHRS/official-SGSLN.