RFL-CDNet : Vers une détection de changements précise grâce à un apprentissage de caractéristiques enrichi
La détection de changements est une tâche cruciale mais extrêmement difficile dans l’analyse des images satellitaires, et des progrès significatifs ont été réalisés grâce au développement rapide des réseaux de neurones profonds. Toutefois, la plupart des méthodes actuelles basées sur l’apprentissage profond se concentrent principalement sur l’extraction de caractéristiques complexes et la fusion de caractéristiques multi-échelles, tout en ignorant l’utilisation insuffisante des caractéristiques au niveau des étapes intermédiaires, ce qui conduit à des résultats sous-optimaux. Afin de remédier à ce problème, nous proposons un nouveau cadre, nommé RFL-CDNet, qui exploite une apprentissage de caractéristiques plus riche afin d’améliorer les performances de détection de changements. Plus précisément, nous introduisons d’abord une supervision multiple profonde afin d’améliorer les représentations intermédiaires, libérant ainsi tout le potentiel du extracteur de caractéristiques de base à chaque étape. En outre, nous concevons deux modules complémentaires : le module de guidage de grossier à fin (C2FG) et le module de fusion apprenable (LF), pour renforcer davantage l’apprentissage des caractéristiques et obtenir des représentations plus discriminantes. Le module C2FG vise à intégrer de manière fluide la prédiction latérale issue de l’échelle grossière précédente dans la prédiction actuelle à l’échelle fine, selon une approche de grossier à fin. Quant au module LF, il suppose que la contribution de chaque étape et de chaque position spatiale est indépendante, et conçoit donc un module apprenable pour fusionner plusieurs prédictions. Des expériences menées sur plusieurs jeux de données standard montrent que notre méthode RFL-CDNet atteint des performances de pointe sur le jeu de données WHU cultivé et sur le jeu de données CDD, ainsi qu’une performance au deuxième rang sur le jeu de données WHU bâtiments. Le code source et les modèles sont disponibles publiquement à l’adresse suivante : https://github.com/Hhaizee/RFL-CDNet.