LRNet : Détection de changements dans les images satellitaires à haute résolution par une stratégie d'amélioration localisée puis raffinée
La détection de changements, en tant que thème central de recherche dans le domaine de la télédétection, a connu un développement continu et des progrès significatifs. Toutefois, la discrimination des détails aux frontières reste un obstacle majeur en raison de la complexité des éléments environnants situés entre les zones de changement et les arrière-plans. En effet, la détection des frontières des grandes zones de changement entraîne souvent une décalage, tandis que les petites cibles de changement sont souvent connectées de manière inappropriée. Pour surmonter ces limitations, ce papier propose un nouveau réseau fondé sur une stratégie de localisation puis affinement, nommé LRNet. LRNet se compose de deux étapes : une étape de localisation et une étape d’affinement. Lors de l’étape de localisation, un encodeur à trois branches extrait simultanément les caractéristiques des images d’origine et leurs caractéristiques différentielles, permettant une localisation interactive de la position de chaque zone de changement. Afin de minimiser la perte d’information lors de l’extraction des caractéristiques, une méthode d’agrégation optimale apprenable (LOP, learnable optimal pooling) est proposée pour remplacer le max-pooling largement utilisé. Ce processus est entièrement entraînable et contribue à l’optimisation globale du réseau. Pour interagir efficacement les caractéristiques issues de différentes branches et localiser précisément les zones de changement de tailles variées, deux mécanismes sont introduits : l’attention d’alignement de changement (C2A) et le module hiérarchique d’alignement de changement (HCA). Lors de l’étape d’affinement, les résultats de localisation sont corrigés en imposant une contrainte sur les zones de changement et leurs contours grâce au module d’alignement bord-zone (E2A). Ensuite, le décodeur, combiné aux caractéristiques différentielles renforcées par C2A pendant la phase de localisation, affine les zones de changement de différentes tailles, permettant ainsi une discrimination précise des frontières. Le réseau proposé, LRNet, obtient de meilleurs résultats que 13 autres méthodes de pointe sur plusieurs métriques d’évaluation globale et fournit les résultats les plus précis en matière de discrimination des frontières sur les jeux de données LEVIR-CD et WHU-CD.