Change is Everywhere: Single-Temporal Supervised Object Change Detection in Remote Sensing Imagery

要約

高空間分解能（HSR）リモートセンシング画像では，多くの対でラベル付けされたビット時系列画像を用いた変化検出が常に優位に立つ．しかし，大規模なビット時系列リモートセンシング画像をペアラベル化することは，非常にコストがかかり，時間もかかる．本論文では、ペアラベルのない画像中の物体変化を監視信号として利用するという新しい観点から、変化検出のための単一時間監視付き学習(STAR)を提案する。STARは、ラベル付けされた画像のみを用いて高精度な変化検出器を学習することができ、実環境のビットタイム画像に汎用的に適用することが可能である。STARの有効性を評価するために、ChangeMixinモジュールによって任意の深い意味分割構造を再利用できる、ChangeStarというシンプルかつ有効な変化検出器を設計しました。包括的な実験結果から、ChangeStarは単一時間監視下ではベースラインを大きなマージンで上回り、ビット時間監視下では優れた性能を達成することが示された。コードは https://github.com/Z-Zheng/ChangeStar で公開されています。

要約(オリジナル)

For high spatial resolution (HSR) remote sensing images, bitemporal supervised learning always dominates change detection using many pairwise labeled bitemporal images. However, it is very expensive and time-consuming to pairwise label large-scale bitemporal HSR remote sensing images. In this paper, we propose single-temporal supervised learning (STAR) for change detection from a new perspective of exploiting object changes in unpaired images as supervisory signals. STAR enables us to train a high-accuracy change detector only using \textbf{unpaired} labeled images and generalize to real-world bitemporal images. To evaluate the effectiveness of STAR, we design a simple yet effective change detector called ChangeStar, which can reuse any deep semantic segmentation architecture by the ChangeMixin module. The comprehensive experimental results show that ChangeStar outperforms the baseline with a large margin under single-temporal supervision and achieves superior performance under bitemporal supervision. Code is available at https://github.com/Z-Zheng/ChangeStar

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL