Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review

要約

タイトル：遠隔センシングにおける変化検出手法の過去10年間の包括的レビュー

要約：
– 変化検出は遠隔センシングで重要なタスクであり、同じ地理的領域の時間経過に伴う変化を検出して分析することを目的としている。これには、都市開発、農業調査、土地被覆モニタリングなどの幅広い応用がある。
– 遠隔センシング画像の変化を検出することは、画像品質の変動、ノイズ、登録エラー、照明変化、複雑な風景、空間的異質性などのさまざまな要因により複雑な課題である。
– 近年、深層学習が特徴抽出とこれらの課題の対処において強力なツールとして現れた。その多才性により、数多くの画像処理タスクで広く採用されるようになった。
– この論文は、過去10年間における遠隔センシング画像の変化検出における重要な進展の包括的調査を示している。まず、問題の定義、データセット、評価メトリック、およびトランスフォーマーの基礎などの変化検出タスクの初歩的な知識を紹介し、その後、アルゴリズムの粒度、監視モード、そして学習フレームワークの3つの異なる観点から既存のアルゴリズムの詳細な分類を提供する。
– この調査は、読者が変化検出タスクを多角的に理解することを可能にする。さらに、いくつかの主要な変化検出データセットにおける最新技術のパフォーマンスを要約し、既存のアルゴリズムの強みや限界についての洞察を提供する。
– この調査に基づいて、遠隔センシングの変化検出に対する将来の研究方向が明確になった。この調査論文はコミュニティに光を当て、変化検出タスクでのさらなる研究の努力を促すことができる。

要約(オリジナル)

Change detection is an essential and widely utilized task in remote sensing that aims to detect and analyze changes occurring in the same geographical area over time, which has broad applications in urban development, agricultural surveys, and land cover monitoring. Detecting changes in remote sensing images is a complex challenge due to various factors, including variations in image quality, noise, registration errors, illumination changes, complex landscapes, and spatial heterogeneity. In recent years, deep learning has emerged as a powerful tool for feature extraction and addressing these challenges. Its versatility has resulted in its widespread adoption for numerous image-processing tasks. This paper presents a comprehensive survey of significant advancements in change detection for remote sensing images over the past decade. We first introduce some preliminary knowledge for the change detection task, such as problem definition, datasets, evaluation metrics, and transformer basics, as well as provide a detailed taxonomy of existing algorithms from three different perspectives: algorithm granularity, supervision modes, and learning frameworks in the methodology section. This survey enables readers to gain systematic knowledge of change detection tasks from various angles. We then summarize the state-of-the-art performance on several dominant change detection datasets, providing insights into the strengths and limitations of existing algorithms. Based on our survey, some future research directions for change detection in remote sensing are well identified. This survey paper will shed some light on the community and inspire further research efforts in the change detection task.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI