Un enfoque de red siamesa de fusión de características a gran escala para la detección de cambios en teledetección
Autores: Zhou, Huaping; Song, Minglong; Sun, Kelei
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un enfoque de red siamesa de fusión de características a gran escala para la detección de cambios en teledetección
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Detección de cambios
Teledetección
Métodos basados en características profundas
Información espacial de la imagen
Información semántica
Objetos pequeños
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 50
Citaciones: Sin citaciones
La detección de cambios (CD) es una tarea esencial y desafiante en el procesamiento de imágenes de teledetección. Su rendimiento depende en gran medida de la explotación de la información espacial de la imagen y la extracción de información semántica de los cambios. Aunque algunos métodos basados en características profundas se han aplicado con éxito a la detección de cambios, la mayoría de ellos utilizan codificadores simples para extraer las características originales de la imagen. Los codificadores simples suelen tener las siguientes desventajas: (i) la falta de información semántica conduce a una menor discriminación de las características superficiales, y (ii) el muestreo descendente sucesivo conduce a una localización espacial menos precisa de las características profundas. Estos problemas afectan el rendimiento de la red en escenas complejas y son particularmente perjudiciales para la detección de objetos pequeños y bordes de objetos. En este documento, proponemos una red siamesa de fusión de características a escala completa (F3SNet), que por un lado mejora la localización espacial de las características profundas al conectar densamente las características de imagen cruda desde capas superficiales hasta profundas, y por otro lado, complementa la semántica cambiante de las características superficiales al conectar densamente los mapas de características concatenadas desde capas profundas hasta superficiales. Además, se propone un clasificador a escala completa para agregar mapas de características en diferentes escalas del decodificador. El clasificador a escala completa en su naturaleza es una variante de la supervisión profunda a escala completa, que genera mapas de predicción en todas las escalas del decodificador y luego los combina para la clasificación final. Los resultados experimentales muestran que nuestro método supera significativamente a otros métodos de CD de última generación (SOTA), y es particularmente beneficioso para detectar objetos pequeños y bordes de objetos. En el conjunto de datos LEVIR-CD, nuestro método logra un puntaje F1 de 0.905 utilizando solo 0.966M de parámetros y 3.24 GFLOPs.
Descripción
La detección de cambios (CD) es una tarea esencial y desafiante en el procesamiento de imágenes de teledetección. Su rendimiento depende en gran medida de la explotación de la información espacial de la imagen y la extracción de información semántica de los cambios. Aunque algunos métodos basados en características profundas se han aplicado con éxito a la detección de cambios, la mayoría de ellos utilizan codificadores simples para extraer las características originales de la imagen. Los codificadores simples suelen tener las siguientes desventajas: (i) la falta de información semántica conduce a una menor discriminación de las características superficiales, y (ii) el muestreo descendente sucesivo conduce a una localización espacial menos precisa de las características profundas. Estos problemas afectan el rendimiento de la red en escenas complejas y son particularmente perjudiciales para la detección de objetos pequeños y bordes de objetos. En este documento, proponemos una red siamesa de fusión de características a escala completa (F3SNet), que por un lado mejora la localización espacial de las características profundas al conectar densamente las características de imagen cruda desde capas superficiales hasta profundas, y por otro lado, complementa la semántica cambiante de las características superficiales al conectar densamente los mapas de características concatenadas desde capas profundas hasta superficiales. Además, se propone un clasificador a escala completa para agregar mapas de características en diferentes escalas del decodificador. El clasificador a escala completa en su naturaleza es una variante de la supervisión profunda a escala completa, que genera mapas de predicción en todas las escalas del decodificador y luego los combina para la clasificación final. Los resultados experimentales muestran que nuestro método supera significativamente a otros métodos de CD de última generación (SOTA), y es particularmente beneficioso para detectar objetos pequeños y bordes de objetos. En el conjunto de datos LEVIR-CD, nuestro método logra un puntaje F1 de 0.905 utilizando solo 0.966M de parámetros y 3.24 GFLOPs.