二重エンコーダ・デコーダの交換：意味的ガイダンスと空間局所化を備えた変化検出のための新戦略

地球観測応用における変化検出は重要なタスクである。近年、深層学習に基づく手法は優れた性能を示しており、急速に変化検出分野に採用されている。しかし、広く用いられている複数エンコーダー・単一デコーダー（MESD）および二重エンコーダー・デコーダー（DED）アーキテクチャは、依然として変化検出の効果的な処理に課題を抱えている。前者は特徴レベルの融合において時系列間特徴の干渉問題を引き起こす一方、後者は同クラス内変化検出および多視点建物変化検出に適用できない。これらの問題を解決するために、本研究では、意味的ガイドと空間局所化を備えた二値変化検出を目的とした、交換型二重エンコーダー・デコーダー構造を用いた新しい戦略を提案する。提案戦略は、MESDにおける時系列特徴の誤推定問題を、意思決定レベルでの時系列特徴の融合によって解決し、DEDにおける適用不能性を、時系列的意味的特徴を用いて変化領域を特定することで克服する。本戦略に基づき、二値変化検出モデルを構築し、3つの異なるシナリオにおいて6つのデータセット（CDD、SYSU、WHU、LEVIR-CD、LEVIR-CD+、NJDS）を用いて、18の最先端変化検出手法と比較・検証を行った。実験結果から、本モデルは高い効率性を維持しつつ、優れた性能を達成し、すべてのベンチマーク手法を上回る結果を示した。各データセットにおけるF1スコアは、CDDで97.77%、SYSUで83.07%、WHUで94.86%、LEVIR-CDで92.33%、LEVIR-CD+で91.39%、NJDSで74.35%であった。本研究のコードは、https://github.com/NJU-LHRS/official-SGSLN にて公開される予定である。