要約
地球観測における重要な課題でありながらも、技術的に困難な変化検出（Change Detection, CD）は、深層学習の広範な応用に伴い、技術的革新の波に直面している。しかし、既存の深層学習に基づくCD手法には、依然として2つの顕著な課題が存在する。すなわち、1）時間的モデリングの不完全さ、および2）空間・時間の密接な結合（space-time coupling）である。これらの課題に鑑み、本研究では時間のモデリングをより明示的かつ洗練された形で構築し、ペア画像から動画に類似した変化検出フレームワーク（Pair-to-Video Change Detection, P2V-CD）を提案する。まず、入力となる二時相画像ペアから、豊富な時間的情報を含む疑似遷移動画（pseudo transition video）を構築し、変化検出を動画理解の問題として定式化する。次に、空間的および時間的な遷移の種類をそれぞれ独立して認識する2つのエンコーダを用い、これらを横方向に接続することで相互に促進する構造を採用する。さらに、モデルの学習を高速化するために深層監督（deep supervision）技術を導入する。実験的に示した結果、P2V-CD手法は視覚的効果および評価指標の両面で、他の最先端のCD手法と比較して優れた性能を発揮しており、モデルサイズは中程度であり、計算負荷も比較的低い。広範な特徴マップ可視化実験により、本手法が二時相画像間の単なる対比を超えて、時間的変化の動的な推移をどのように捉えているかを明確に示している。実装コードは、https://github.com/Bobholamovic/CDLab にて公開されている。