SARAS-Net: Scale and Relation Aware Siamese Network for Change Detection

要約

変化検出（CD）は、異なる時刻の2つの画像間の差を見つけ、領域が変化したかどうかを表す変化マップを出力することを目的としている。チェンジマップの生成でより良い結果を得るために、多くのState-of-The-Art（SoTA）手法は、強力な識別能力を持つ深層学習モデルを設計しています。しかし、これらの手法では、オブジェクト間の空間情報やスケーリングの変化が無視されるため、境界がぼやけたり、間違ったりして、性能がまだ低い。また、2つの異なる画像の相互作用の情報も無視される。これらの問題を解決するために、我々はScale and Relation-Aware Siamese Network (SARAS-Net) というネットワークを提案する。本論文では、シーンチェンジ検出の問題をより効果的に取り組むために、関係認識、スケール認識、クロストランスフォーマーを含む3つのモジュールを提案する。本モデルを検証するために、LEVIR-CD, WHU-CD, DSFINの3つの公共データセットをテストし、SoTAの精度を得ることができた。我々のコードは https://github.com/f64051041/SARAS-Net で公開されている。

要約(オリジナル)

Change detection (CD) aims to find the difference between two images at different times and outputs a change map to represent whether the region has changed or not. To achieve a better result in generating the change map, many State-of-The-Art (SoTA) methods design a deep learning model that has a powerful discriminative ability. However, these methods still get lower performance because they ignore spatial information and scaling changes between objects, giving rise to blurry or wrong boundaries. In addition to these, they also neglect the interactive information of two different images. To alleviate these problems, we propose our network, the Scale and Relation-Aware Siamese Network (SARAS-Net) to deal with this issue. In this paper, three modules are proposed that include relation-aware, scale-aware, and cross-transformer to tackle the problem of scene change detection more effectively. To verify our model, we tested three public datasets, including LEVIR-CD, WHU-CD, and DSFIN, and obtained SoTA accuracy. Our code is available at https://github.com/f64051041/SARAS-Net.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL