C2F-SemiCD : Une Méthode de Détection de Changements Semi-Supervisée par Régularisation de Cohérence dans les Images Télédétectées à Haute Résolution

Un modèle d'extraction de caractéristiques à haute précision est essentiel pour la détection de changement (CD). Dans le passé, de nombreuses méthodes de CD supervisées basées sur l'apprentissage profond ont appris à reconnaître des motifs de caractéristiques de changement à partir d'un grand nombre d'images bipériodiques étiquetées, bien que l'étiquetage d'images bipériodiques de télédétection soit très coûteux et souvent fastidieux. Par conséquent, nous proposons une méthode de CD semi-supervisée par régularisation de cohérence, passant du grossier au fin (C2F-SemiCD), qui comprend un réseau de détection de changement passant du grossier au fin avec un mécanisme d'attention multirésolution (C2FNet) et une méthode de mise à jour semi-supervisée. Parmi ces éléments, le réseau C2FNet complète progressivement l'extraction des caractéristiques de changement, passant du grain grossier au grain fin, grâce à la fusion des caractéristiques multirésolution, le mécanisme d'attention par canaux, le mécanisme d'attention spatiale, le module de contexte global, le module de raffinement des caractéristiques, le module d'agrégation initial et le module d'agrégation final. La méthode de mise à jour semi-supervisée utilise la méthode du maître moyen. Les paramètres du modèle élève sont mis à jour vers ceux du modèle maître en utilisant la méthode moyenne mobile exponentielle (EMA). Grâce à des expérimentations approfondies sur trois jeux de données et à des études ablatives minutieuses, y compris des expériences croisées entre les jeux de données, nous avons vérifié l'efficacité et l'efficience significatives de la méthode C2F-SemiCD proposée. Le code sera rendu disponible sur : https://github.com/ChengxiHAN/C2F-SemiCDand-C2FNet.