IDAN: Image Difference Attention Network for Change Detection

要約

リモートセンシング画像の変化検出は、災害評価と都市計画において非常に重要です。
主流の方法は、エンコーダー/デコーダー モデルを使用して、2 つの入力画像の変化領域を検出することです。
リモートセンシング画像の変化内容は、スケール範囲が広く、変化に富むという特徴があるため、注意メカニズムを増やすことで、ネットワークの検出精度を向上させる必要があります。
Convolutional Block Attention モジュールなど。
これらの方法は、チャネル間またはチャネル内の異なる位置特徴の重要性を考慮しますが、入力画像間の違いを認識できません。
本稿では、新しい画像差分注意ネットワーク (IDAN) を提案します。
画像の前処理段階では、事前トレーニング モデルを使用して 2 つの入力画像間の特徴の違いを抽出し、特徴の違いマップ (FD マップ) を取得し、Canny を使用してエッジ検出を行い、エッジの違いマップ (ED マップ) を取得します。
.
画像特徴抽出段階では、IDAN によって抽出された特徴を最適化するために、FD マップと ED マップがそれぞれ特徴差分注意モジュールとエッジ補償モジュールに入力されます。
最後に、特徴差分演算により変化検出結果を得る。
IDAN は、画像の地域的特徴とエッジ特徴の違いを包括的に考慮し、抽出された画像特徴を最適化します。
実験結果は、IDAN の F1 スコアが、WHU データセットおよび LEVIR-CD データセットのベースライン モデルと比較して、それぞれ 1.62% および 1.98% 向上することを示しています。

要約(オリジナル)

Remote sensing image change detection is of great importance in disaster assessment and urban planning. The mainstream method is to use encoder-decoder models to detect the change region of two input images. Since the change content of remote sensing images has the characteristics of wide scale range and variety, it is necessary to improve the detection accuracy of the network by increasing the attention mechanism, which commonly includes: Squeeze-and-Excitation block, Non-local and Convolutional Block Attention Module, among others. These methods consider the importance of different location features between channels or within channels, but fail to perceive the differences between input images. In this paper, we propose a novel image difference attention network (IDAN). In the image preprocessing stage, we use a pre-training model to extract the feature differences between two input images to obtain the feature difference map (FD-map), and Canny for edge detection to obtain the edge difference map (ED-map). In the image feature extracting stage, the FD-map and ED-map are input to the feature difference attention module and edge compensation module, respectively, to optimize the features extracted by IDAN. Finally, the change detection result is obtained through the feature difference operation. IDAN comprehensively considers the differences in regional and edge features of images and thus optimizes the extracted image features. The experimental results demonstrate that the F1-score of IDAN improves 1.62% and 1.98% compared to the baseline model on WHU dataset and LEVIR-CD dataset, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google