C2F-SemiCD: 高解像度リモートセンシング画像における一貫性正則化に基づく粗密接半教師付き変化検出法

高精度の特徴抽出モデルは変化検出（Change Detection: CD）にとって不可欠です。過去には、多くの深層学習に基づく教師ありCD手法が、大量のラベル付き時系列画像から変化特徴パターンを認識する方法を学習していました。しかし、時系列のリモートセンシング画像にラベルを付けることは非常にコストがかかり、しばしば時間がかかるため、一貫性正則化（Consistency Regularization）に基づいた粗粒度から細粒度への半教師ありCD手法（C2F-SemiCD）を提案します。この手法には、多尺度注意機構（Multiscale Attention Mechanism）を持つ粗粒度から細粒度へのCDネットワーク（C2FNet）と半教師あり更新手法が含まれています。C2FNetネットワークは、多尺度特徴融合、チャネル注意機構、空間注意機構、グローバルコンテキストモジュール、特徴精製モジュール、初期集約モジュール、最終集約モジュールを通じて、粗粒度から細粒度へと段階的に変化特徴の抽出を完成させます。半教師あり更新手法では平均教師法を使用し、指数移動平均（Exponential Moving Average: EMA）法により学生モデルのパラメータを教師モデルのパラメータに更新します。3つのデータセットにおける広範な実験と詳細なアブレーションスタディーを行い、データセット間でのクロスオーバー実験も含めることで、提案されたC2F-SemiCD手法の著しい有効性と効率性を確認しました。コードは以下のURLで公開されます：https://github.com/ChengxiHAN/C2F-SemiCDand-C2FNet。