Réseau de guidage des changements : intégration d’un avant-goût de changement pour guider la détection des changements dans les images satellitaires

L’avancement rapide des algorithmes d’intelligence artificielle automatisés et des instruments de télédétection a considérablement bénéficié aux tâches de détection de changements (CD). Toutefois, de nombreuses questions restent à explorer pour une détection précise, notamment en ce qui concerne l’intégrité des contours et le phénomène de trous internes au sein des caractéristiques de changement. Afin de résoudre ces problèmes, nous proposons le Change Guiding Network (CGNet), conçu pour surmonter le manque d’expression des caractéristiques de changement inhérent à la structure U-Net classique utilisée dans les méthodes antérieures, qui entraîne une détection inexacte des contours et la présence de trous internes. Des cartes de changement issues de caractéristiques profondes riches en information sémantique sont générées et utilisées comme information a priori pour guider la fusion de caractéristiques multi-échelles, améliorant ainsi la capacité d’expression des caractéristiques de changement. Par ailleurs, nous introduisons un module d’attention auto-référente nommé Change Guide Module (CGM), capable de capturer efficacement les dépendances à longue portée entre pixels et de surmonter de manière efficace le problème du champ réceptif insuffisant des réseaux de neurones convolutifs traditionnels. Sur quatre jeux de données majeurs de détection de changements, nous validons l’utilité et l’efficacité du CGNet. Un grand nombre d’expériences et d’études d’ablation démontrent clairement l’efficacité du modèle. Le code source du CGNet sera bientôt mis à disposition sur GitHub à l’adresse suivante : https://github.com/ChengxiHAN/CGNet-CD.