HANet : Un réseau de attention hiérarchique pour la détection de changements à l’aide d’images télescopiques très hautes résolutions bitemporelles

Grâce aux progrès réalisés dans le domaine du deep learning, les algorithmes basés sur le deep learning et exploitant une extraction automatique des caractéristiques ont atteint des performances remarquables sur la tâche de détection de changements (CD). Toutefois, les performances des méthodes actuelles de CD basées sur le deep learning sont entravées par le déséquilibre entre les pixels changés et les pixels inchangés. Pour résoudre ce problème, cet article propose une stratégie progressive d’échantillonnage équilibrée sur le premier plan, sans ajout d’information sur les changements, afin d’aider le modèle à apprendre avec précision les caractéristiques des pixels changés dès les premières étapes de l’entraînement, améliorant ainsi la performance globale de détection. En outre, nous avons conçu un réseau siamois discriminant, appelé HANet (Hierarchical Attention Network), capable d’intégrer des caractéristiques multiscales et de raffiner les détails des caractéristiques. La composante principale de HANet est le module HAN, une mécanique d’attention auto-adaptative légère et efficace. Des expériences étendues ainsi que des études d’ablation menées sur deux jeux de données de détection de changements présentant des étiquetages extrêmement déséquilibrés valident l’efficacité et l’efficience de la méthode proposée.