C2F-SemiCD: 고해상도 원격 감지 이미지에서 일관성 정규화를 기반으로 한 코스-투-파인 반감독 변화 탐지 방법

고도의 정밀성을 가진 특성 추출 모델은 변화 감지(CD)에 매우 중요합니다. 과거에는 많은 딥러닝 기반의 지도 CD 방법들이 대량의 라벨링된 이시기 이미지에서 변화 특성 패턴을 인식하는 방법을 학습하였으나, 이시기 원격 측정 이미지를 라벨링하는 것은 매우 비싸고 종종 시간이 오래 걸립니다. 따라서, 일관성 정규화를 기반으로 한 거칠기-세부 반지도 CD 방법(C2F-SemiCD)을 제안합니다. 이 방법은 다중 스케일 주의 메커니즘(C2FNet)을 포함한 거칠기-세부 CD 네트워크와 반지도 업데이트 방법으로 구성됩니다. 여기서 C2FNet 네트워크는 다중 스케일 특성 융합, 채널 주의 메커니즘, 공간 주의 메커니즘, 전역 컨텍스트 모듈, 특성 정제 모듈, 초기 집계 모듈 및 최종 집계 모듈을 통해 거칠기부터 세부까지 점진적으로 변화 특성을 추출합니다. 반지도 업데이트 방법은 평균 선생 모델 방법(mean teacher method)을 사용하며, 학생 모델의 매개변수는 지수 이동 평균(Exponential Moving Average, EMA) 방법을 사용하여 선생 모델의 매개변수로 업데이트됩니다. 세 가지 데이터셋과 철저한 축소 연구(ablation studies), 데이터셋 간 크로스오버 실험 등을 통해 제안된 C2F-SemiCD 방법의 상당한 효과性和效率性를 검증하였습니다. 코드는 다음 링크에서 공개될 예정입니다: https://github.com/ChengxiHAN/C2F-SemiCDand-C2FNet.注：在最后一句中，“效果性和效率性”可以简化为“효과와 효율”以更符合韩语的表达习惯。修正后的翻译：고도의 정밀성을 가진 특성 추출 모델은 변화 감지(CD)에 매우 중요합니다. 과거에는 많은 딥러닝 기반의 지도 CD 방법들이 대량의 라벨링된 이시기 이미지에서 변화 특성 패턴을 인식하는 방법을 학습하였으나, 이시기 원격 측정 이미지를 라벨링하는 것은 매우 비싸고 종종 시간이 오래 걸립니다. 따라서, 일관성 정규화를 기반으로 한 거칠기-세부 반지도 CD 방법(C2F-SemiCD)을 제안합니다. 이 방법은 다중 스케일 주의 메커니즘(C2FNet)을 포함한 거칠기-세부 CD 네트워크와 반지도 업데이트 방법으로 구성됩니다. 여기서 C2FNet 네트워크는 다중 스케일 특성 융합, 채널 주의 메커니즘, 공간 주의 메커니즘, 전역 컨텍스트 모듈, 특성 정제 모듈, 초기 집계 모듈 및 최종 집계 모듈을 통해 거칠기부터 세부까지 점진적으로 변화 특성을 추출합니다. 반지도 업데이트 방법은 평균 선생 모델 방법(mean teacher method)을 사용하며, 학생 모델의 매개변수는 지수 이동 평균(Exponential Moving Average, EMA) 방법을 사용하여 선생 모델의 매개변수로 업데이트됩니다. 세 가지 데이터셋과 철저한 축소 연구(ablation studies), 데이터셋 간 크로스오버 실험 등을 통해 제안된 C2F-SemiCD 방법의 상당한 효과와 효율성을 검증하였습니다. 코드는 다음 링크에서 공개될 예정입니다: https://github.com/ChengxiHAN/C2F-SemiCDand-C2FNet.