ESCNet : Un réseau de détection de changement entièrement end-to-end amélioré par des superpixels pour des images satellites à très haute résolution
La détection de changement (CD), l’un des problèmes centraux en télédétection terrestre, a suscité un vif intérêt de la part de la communauté scientifique au cours des dernières décennies. Grâce au développement rapide des capteurs satellites ces dernières années, nous avons assisté à une richesse croissante des données sources pour la CD, notamment grâce à la disponibilité d’images multispectrales très hautes résolutions (VHR), offrant ainsi de nombreuses pistes pour détecter les changements. Toutefois, localiser précisément les zones réellement modifiées reste un défi majeur. Dans cet article, nous proposons un réseau de détection de changement end-to-end amélioré par les superpixels (ESCNet) spécifiquement conçu pour les images VHR, combinant une segmentation de superpixels différentiable et un réseau neuronal convolutif profond (DCNN). Deux réseaux d’échantillonnage de superpixels (SSNs) partageant les poids sont spécialement conçus pour l’extraction de caractéristiques et la segmentation de superpixels à partir de paires d’images bitemporelles. Un réseau neuronal de type Siamese basé sur UNet est ensuite utilisé pour extraire les informations différenciées entre les deux dates. Les superpixels sont ensuite exploités pour réduire le bruit latent dans les cartes de caractéristiques au niveau pixel tout en préservant les contours ; un nouveau module de superpixelisation est introduit à cet effet. En outre, afin de compenser la dépendance au nombre de superpixels, nous proposons un module innovant de fusion adaptative de superpixels (ASM), dont la formulation est concise et entièrement différentiable. Un module de raffinement au niveau pixel, exploitant les caractéristiques décodées à plusieurs niveaux, est également ajouté à la fin du cadre général. Des expériences menées sur deux jeux de données publics confirment l’avantage de ESCNet par rapport aux méthodes classiques et aux approches de pointe (SOTA) basées sur l’apprentissage profond (DLCD).