MaskCD : Un réseau de détection de changements en télédétection basé sur la classification de masques

La détection de changements (CD) à partir d’images de télédétection (RS) par apprentissage profond a fait l’objet de nombreuses études dans la littérature. Elle est généralement considérée comme une tâche de classification par pixel visant à classifier chaque pixel comme ayant changé ou non. Bien que les réseaux de classification par pixel basés sur des architectures encodeur-décodeur aient montré une domination significative, ils souffrent encore de frontières imprécises et d’une délimitation incomplète des objets dans divers scénarios. Pour les images de télédétection à haute résolution, les objets partiellement ou totalement modifiés méritent davantage d’attention que l’analyse d’un simple pixel. Par conséquent, nous repensons la tâche de CD sous l’angle de la prédiction et de la classification de masques, et proposons MaskCD, une méthode permettant de détecter les zones modifiées en générant de manière adaptative des masques catégorisés à partir de paires d’images d’entrée. Plus précisément, notre approche utilise un perceiver de représentations de changement à plusieurs niveaux (CLCRP) pour apprendre des représentations multi-échelles sensibles aux changements et capturer les relations spatio-temporelles à partir des caractéristiques encodées grâce à une attention auto-multipleine déformable (DeformMHSA). Ensuite, un décodeur basé sur l’attention masquée (MA-DETR) est conçu pour localiser et identifier précisément les objets modifiés en exploitant des mécanismes d’attention masquée et d’attention auto. Ce décodeur reconstruit les objets changés souhaités en transformant les représentations par pixel en propositions de masques apprenables, puis en effectuant des prédictions finales à partir de ces candidats. Les résultats expérimentaux sur cinq jeux de données standard démontrent que l’approche proposée surpasse les modèles les plus avancés de l’état de l’art. Les codes sources et les modèles pré-entraînés sont disponibles en ligne (https://github.com/EricYu97/MaskCD).