Dsfer-Net：モダンなホープフィールドネットワークを用いた二時相変化検出のためのディープサブスクリプションおよび特徴再取得ネットワーク

高分解能リモートセンシング画像における変化検出は、時間経過に伴う地表面の変化をモニタリングおよび分析する上で不可欠な応用分野である。近年、高分解能リモートセンシングデータの急増とテクスチャ特徴の複雑さに伴い、定量的深層学習ベースの手法が多数提案されている。これらの手法は、深層特徴を抽出し、空間時間情報を統合することで、従来の変化検出手法を上回る性能を発揮している。しかし、深層特徴が検出性能をどのように向上させるかについての合理的な説明は依然として不足している。本研究において、現代的なホープフィールドネットワーク層が意味理解能力を顕著に向上させることを発見した。本論文では、二時相変化検出を目的として、深層監督と特徴取得を統合したDsfer-Net（Deep Supervision and FEature Retrieval network）を提案する。具体的には、完全畳み込み型シームズネットワークを用いて、二時相画像の高表現力を持つ深層特徴を同時に抽出する。また、二時相画像の順次的地理情報に基づき、差分特徴を抽出し、深層監督的なアプローチで識別性の高い情報を活用するための特徴取得モジュールを設計した。さらに、深層監督型特徴取得モジュールが、ネットワークの深層部における意味理解の説明可能な証拠を提供することを確認した。最後に、異なる層から取得した特徴および特徴ペアを統合することで、エンド・ツー・エンドの新しいフレームワークを構築した。LEVER-CD、WHU-CD、CDDの3つの公的データセットを用いた実験により、提案手法Dsfer-Netが他の最先端手法を上回る優れた性能を示すことが確認された。