DASNet: 高解像度衛星画像の変化検出に向けた双方向注意完全畳み込みシアムネットワーク

変化検出は、リモートセンシング画像処理の基本的なタスクです。研究の目的は、関心のある変化情報を特定し、無関係な変化情報を干渉要因としてフィルタリングすることです。最近、深層学習の発展により、変化検出に新しいツールが提供され、印象的な結果をもたらしています。しかし、既存の手法は主に多時相リモートセンシング画像間の差分情報に焦点を当てており、擬似変化情報に対するロバスト性（耐性）が不足しています。この問題を克服するため、本論文では高解像度画像での変化検出のために新たな手法である双方向注意完全畳み込みサイアムネットワーク（Dual Attentive Fully Convolutional Siamese Networks: DASNet）を提案します。双方向注意機構を通じて長距離依存関係が捉えられ、より識別力のある特徴表現が得られることでモデルの認識性能が向上します。さらに、変化検出においてサンプルの不均衡は深刻な問題であり、つまり変化していないサンプルの方が変化したサンプルよりも遥かに多いことが擬似変化の一因となっています。この問題に対処するために、我々は重み付き二重マージンコントラスティブ損失を提案します。これにより、変化していない特徴ペアへの注意を罰し、変化した特徴ペアへの注意を増加させることができます。我々の手法をCDD（Change Detection Dataset）およびBCDD（Building Change Detection Dataset）上で評価した実験結果は、他のベースライン手法と比較してF1スコアで最大2.1％および3.6％の改善を達成していることを示しています。また、本研究のPyTorch実装はhttps://github.com/lehaifeng/DASNet から利用可能です。