リモートセンシング画像における意味的変化検出のための共同空間時系列モデリング

セマンティック変化検出（Semantic Change Detection, SCD）とは、リモートセンシング画像（Remote Sensing Images, RSIs）において、変化が生じた領域とその変化前の後でのセマンティックカテゴリを同時に抽出するタスクを指す。これは変化の有無を二値判定するバイナリ変化検出（Binary Change Detection, BCD）よりも意味が深く、観測領域における詳細な変化解析を可能にする。従来の研究では、三本のブランチを持つ畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）アーキテクチャをSCDの定石として確立してきた。しかしながら、変化サンプルが限られている状況下でセマンティック情報を効果的に活用することは依然として困難である。本研究では、時空間的依存関係を統合的に考慮することで、SCDの精度を向上させるアプローチを検討する。まず、時系列的な二枚のRSI間における「前から後へ」のセマンティック遷移を明示的にモデル化するため、セマンティック変化トランスフォーマー（Semantic Change Transformer, SCanFormer）を提案する。次に、SCDタスクに整合性を持つ時空間的制約を活用するセマンティック学習スキームを導入し、セマンティック変化の学習をガイドする。提案手法に基づくネットワーク（SCanNet）は、特に重要なセマンティック変化の検出精度および得られた二時系列結果におけるセマンティック一貫性の点で、ベースライン手法を大幅に上回る性能を達成した。また、SCDに関する二つのベンチマークデータセットにおいて、最新の最先端（SOTA）の精度を実現した。