طريقة كشف التغير في صورة الطيف بدمج الميزات المركزية الفارقة والانتباه الطيفي المكاني

  • role: First author第一作者
  • Affiliation:

    College of Computer Science, Chongqing University, Chongqing 401331, China

  • Email:zhoutianyuan1016@163.com
  • Introduction:周天媛,研究方向为高光谱变化检测。E-mail: zhoutianyuan1016@163.com
ZHOU Tianyuan1,  
  • Affiliation:

    College of Optoelectronic Engineering, Chongqing University, Chongqing 401331, China

LIU Jiamin2,  
  • Affiliation:

    School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

GUO Tan3,  
  • Affiliation:

    College of Computer Science, Chongqing University, Chongqing 401331, China

FU Chuan1,  
  • role: Corresponding author通信作者
  • Affiliation:

    College of Computer Science, Chongqing University, Chongqing 401331, China

  • Email:luoflyn@163.com
  • Introduction:罗甫林,研究方向为遥感智能解译。E-mail: luoflyn@163.com
LUO Fulin1*

ملخص

تحظى صور الطيف متعدد الفترات الزمنية باهتمام واسع في كشف التغيرات نظرًا لغناها بالأشرطة الطيفية وتفاصيل الصور. تعتمد خوارزميات كشف التغيرات الطيفية المستندة إلى التعلم الخاضع للإشراف عادة على عدد كبير من العينات المعلّمة، مما يؤدي إلى ارتفاع تكلفة الوسم. لهذا السبب، تقترح هذه الدراسة شبكة JCDS²AN (شبكة الميزة المركزية المشتركة والانتباه الطيفي المكاني) للكشف عن تغيرات الصور الطيفية. يمكن لهذه الشبكة التخفيف من تقلب ميزات التغير في ظل قلة العينات، وتعلم ميزات تغير تمثيلية باستخدام عينات معلّمة محدودة. صممت JCDS²AN كتل انتباه طيفية مكانية متعددة المقاييس لالتقاط ميزات متعددة المقاييس للفضاء والطيف، بالإضافة إلى استراتيجية تبادل بكسل مركزية موجهة بالميزات الفارقة لتحقيق تفاعل فعال بين ميزات التغير وميزات الفترتين الزمنيتين. وقد تم إجراء مقارنة مع 8 طرق أخرى لكشف التغيرات الطيفية، مع تجارب بصرية وكمية على 3 مجموعات بيانات عامة. أظهرت النتائج أن JCDS²AN المقترحة تتفوق على طرق الكشف الطيفية الأخرى.

مفهوم

صور طيفية; صور الاستشعار عن بعد; كشف التغير; ميزات متعددة المقاييس; توجيه الميزات الفارقة; بكسل مركزي

مقدمة

الكشف عن التغير على أساس بيانات الاستشعار عن بعد هو وسيلة هامة للكشف عن التغيرات في سطح الأرض .Jaturapitpornchai等,2019الرصد البيئي )Khan等,2017المسح الزراعي )Ji等,2019تقييم الكوارث )Li等,2024وقد تم تطبيقها على نطاق واسع . الاستشعار عن بعد للكشف عن التغير يعني الكشف عن التغير في الغطاء الأرضي من صور الاستشعار عن بعد في نفس المنطقة في نقطتين زمنيتين مختلفتين )张良培和武辰,2017يمكن أن نفهم المعلومات الكمية والنوعية عن التوزيع المكاني والتغيرات في الكائنات . في السنوات الأخيرة ، مع تطور التصوير الطيفي ، متعدد المراحل الصور الفائقة الطيفية ( HSIS ) وقد استخدم على نطاق واسع في الاستشعار عن بعد للكشف عن التغيرات . بالمقارنة مع ثلاث قنوات عالية الدقة صور اﻻستشعار عن بعد ، فوق بيانات الصورة يحتوي على كمية كبيرة من المعلومات الطيفية ، والتي هي أكثر ملاءمة للتمييز بين التغيرات الجوهرية بين الصورتين .
في الدراسات السابقة ، يمكن تقسيم أساليب الكشف عن التغيير إلى الجبر القائم ، القائم على التحول ، والتصنيف القائم على الأساليب )Hasanlou和Seydi,2018. لا الأساليب القائمة على الجبر تشمل أساسا صورة الفرق ، نسبة الصورة ، صورة الانحدار ، المسافة المطلقة و تغيير ناقلات التحليل . تحليل متجهات التغير )Bovolo和Bruzzone,2007هو الأكثر تمثيلا الخوارزمية ، والتي يمكن أن تجعل الفرق بين اثنين من المرحلة الصور للحصول على تغيير الطيفية ناقلات . جبري النهج القائم على التلاعب في الصورة الأصلية ، في حين أن التحول القائم على النهج هو إسقاط البيانات الفائقة الطيفية إلى ميزة أخرى الفضاء لتسليط الضوء على تغيير بكسل أو المنطقة ، بما في ذلك تحليل المكون الرئيسي )Celik,2009تحليل المكونات المستقلة )Hyvärinen和Oja,2000كشف التغير المتكرر )Nielsen等,1998تحليل الخصائص البطيئة )Wu等,2014الخ . العنصر الرئيسي من تحليل ( PCA ) هو الأكثر استخداما على نطاق واسع في الحد من البعد الخوارزمية التي خرائط بيانات العينة في اتجاه أكبر الفرق للحصول على العنصر الرئيسي . تكرارية الكشف عن التغيير هو استخدام تحليل الارتباط القانوني لتحقيق أقصى قدر من الارتباط بين اثنين من خصائص الصورة . ميزة بطيئة التحليل هو استخراج الوقت ثبات من اثنين من المرحلة الصور . وتشمل أساليب التصنيف التصنيف المباشر بعد التصنيف . بعد طريقة التصنيف ، واثنين من المرحلة الزمنية الصور تصنف على التوالي ، ثم التغييرات مقارنة وتحليل . التصنيف المباشر هو كومة من الصور متعددة المراحل معا في نموذج الإدخال ، ثم استخدام المصنف للكشف عن التغييرات . مصنف نموذجي ك أقرب جار )Abeywickrama等,2016آلة متجه الدعم )Cortes和Vapnik,1995الخ . الخوارزميات التقليدية المذكورة أعلاه يمكن الكشف عن العديد من التغييرات النموذجية ، ولكن هذه الخوارزميات وحدات مصممة يدويا ، من الصعب تحسين نهاية إلى نهاية ، والحد من الكشف عن الأداء .
التعلم العميق قد أحرزت تقدما ملحوظا في مجال الاستشعار عن بعد ومعالجة الصور والتصنيف ، الكشف عن الهدف ، وهلم جرا . الإلتواء الشبكة العصبية ( سي ان ان ) هي واحدة من الأكثر شيوعا في إطار التعلم العميق ، ويستخدم على نطاق واسع في الكشف عن التغييرKhelifi和Mignotte,2020. لاWang等(2019)في هذه الورقة ، فإننا نقترح نهاية إلى نهاية العام 2D سي ان ان ، والتي يمكن الحصول على مختلطة تقارب مصفوفة من خلال إدخال هسيس الطيفية دي الاختلاط .Lin等(2020)ثنائي سي ان ان ان المقترح الذي يجمع بين العلاقة بين اثنين من الرسوم البيانية من خلال الجمع بين ثنائي الميزات .Mou等(2019)وChen等(2020)في هذه الورقة ، فإننا نقترح استخدام الشبكة العصبية المتكررة و الذاكرة على المدى القصير والطويل وحدة لاستكشاف العلاقة المكانية والزمانية من مرحلتين هسيس ، على التوالي . ومع ذلك ، فإن هذه النماذج لا تزال تفتقر إلى النظر في خصائص البيانات الطيفية الغنية ، والاهتمام بالمعلومات الهامة ، لا يزال هناك مجال للتحسين .Jiang等(2020)في هذه الورقة ، فإننا نقترح توجيه الانتباه شبكة التوأم على أساس الهرم الميزة ، التي تستخدم مختلف آليات الاهتمام لتحسين الاعتماد على المدى الطويل من الميزات .Qu等(2022)في هذه الورقة ، فإننا نقترح الاهتمام متعدد المستويات شبكة الترميز ، وإدخال المقاييس الاتصال والاهتمام الآلية لاستخراج أكثر فعالية الخصائص الطيفية المكانية .Luo等(2023)في هذه الورقة ، فإننا نقترح المقاييس الفرق ميزة تغيير شبكة الانصهار ، مع التركيز على المقاييس واستخراج الانصهار . ومع ذلك ، فإن هذه الأساليب تعتمد اعتمادا كبيرا على دقة رصد ما يكفي من المسمى عينات ، و أدائها يميل إلى الانخفاض مع انخفاض التدريب عينات . في المشهد الحقيقي ، فإنه يأخذ الكثير من الوقت والجهد للحصول على علامة عينة ، والتي لا تحتاج فقط إلى المعالجة مثل الإشعاع تصحيح هندسي المحاذاة ، ولكن أيضا دليل التفتيش الميداني لضمان دقة الشرح . ولذلك ، وكيفية الحصول على أفضل أداء الكشف عن تغيير في حالة عدم كفاية العينات أصبحت المشكلة الرئيسية في الكشف عن تغيير فوق )Yang等,2023. لا
في الوقت الحاضر ، هناك بعض الأبحاث على الكشف عن تغيير محدود المسمى عينات .Gong等(2022)رواية الطيفية الاهتمام المكاني شبكة ( spsn ) المقترح ، الذي يستخدم العديد من تكرار الاهتمام المكاني وحدات التكيف مع توزيع غاوسي لتعزيز الكشف عن التغييرات .Qu等(2022)في هذه الورقة ، فإننا نقترح مضاعفة فرع الفرق تضخيم الرسم البياني الإلتواء الشبكة التي تستخدم الرسم البياني الإلتواء للتعامل مع سوبر بكسل تحتوي على عدد قليل من عينات التدريب .Song等(2022)في هذه الورقة ، عبر الزمن النسبي الانتباه الشبكة المقترحة ، التي تجمع بين الانتباه الذاتي و الإلتواء لاستخراج ودمج الخصائص المكانية والزمانية .Wang等(2022)الجمع بين الطيف ، والفضاء والوقت transformer المقترح لاستخراج المعلومات المكانية نسيج الطيف تسلسل المعلومات .Ding等(2022)في هذه الورقة ، cdformer المقترح ، الذي يجمع بين سلسلة من بكسل من مرحلتين هسيس كمدخل transformer التشفير لالتقاط طويلة المدى المكانية والزمانية التبعية .Hu等(2024)في هذه الورقة ، فإننا بناء شبكة عالمية من الاهتمام الذاتي التفاعلية المكانية والزمانية ، والتي يمكن التقاط المعلومات العالمية بين العينات في الرسم البياني من خلال المستويات المتعددة الاهتمام المتبادل . في حالة محدودية المعلومات التسمية ، هذه الأساليب استخدام أصغر حجم العينة نموذج التدريب ، واستخدام آلية الاهتمام بمرونة إلى التركيز على تغيير المنطقة من المعلومات الطيفية المكانية ، من أجل الحصول على أفضل تغيير النتائج .
وباختصار ، لا يزال هناك مجال لاستكشاف كيفية استخراج السمات بكفاءة في إطار محدود المسمى عينات . عندما تكون العينة غير كافية ، فإنه من الصعب الحصول على نموذج ثابت الخصائص المشتركة ، في حين أن هناك تقلبات كبيرة في الخصائص داخل الصف و اختلافات كبيرة نسبيا . في الكشف عن التغيير ، الفرق بين اثنين من الخصائص الزمنية عادة ما تحتوي على تغيير الخصائص الرئيسية ، وبالتالي ، يمكن تعزيز الاستقرار من خلال تغيير المعلومات ذات الصلة من أجل الحصول على أكثر تميز تغيير الخصائص . ومع ذلك ، في الوقت الحاضر ، البحث عن الفرق الميزة ليست كافية . أولا ، طريقة التصنيف ثم المقارنة لا يمكن استخراج المعلومات التي تحتوي على فرق الوقت الارتباط . وعلاوة على ذلك ، على الرغم من أن جزءا لا يتجزأ من ميزة التعلم التفاضلي في العملية برمتها من الشبكة ، بعض الأساليب تعتمد أساسا على transformers ' learning السياق العالمي المعلومات .
وبناء على ذلك ، فإن هذه الورقة تقدم convolutional الشبكة العصبية التي تجمع بين مركز الفرق مع الاهتمام المكاني الطيف . JCDS2AN(Joint Central Difference Feature and Spectral-Spatial Attention Network)。 هذه الشبكة تماما يحفر فرق المعلومات من اثنين من المرحلة الزمنية الصور ، يدرك تبادل المعلومات بين اثنين من المرحلة الزمنية ميزة ميزة الفرق ، يمكن أن تتعلم من اثنين من المرحلة الزمنية مدخلات هسيس ممثل تغيير الميزة ، يخفف من عينة محدودة داخل فئة ميزة التقلبات . التجارب التي أجريت على ثلاث مجموعات البيانات العامة ، مقارنة مع غيرها من أساليب الكشف عن التغيرات المتقدمة و الاجتثاث .

طرق البحث

2-1 الهيكل العام

في هذه الورقة ، فإننا نقترح الكشف عن الشبكة التي تجمع بين الفرق سمة من سمات مركز الفضاء الطيف الإنتباه الاختلاف ، بما في ذلك ثلاثة فروع : اثنين من الفروع المقابلة hsis ومتوسط فرق الفروع .Fig. 1كما هو مبين . الصورة الأصلية هي مشفرة من قبل الموقف النسبي ، ثم يتم ترميز من قبل MS2A Block(Multi-scale Spatial Spectral Attention Block) ميزة استخراج طبقة ضحلة ، ثم تحديث الميزة التي تم الحصول عليها من خلال استراتيجية تبادل الفرق مركز بكسل ، ومن ثم دراسة السمات العميقة من قبل كتلة مايكروسوفت < سوب > < / سوب > 2 ، وأخيرا إخراج الكشف عن النتائج .
figure

Fig. 1 Joint Central Difference feature and Spatial-Spectral Attention change detection Network (JCDS2AN)

على افتراض أن اثنين من مرحلة إدخال الصور الفائقة الطيفيةومن بينهاوالطول والعرض من الصورة ، على التوالي ،يمثل عدد من نطاقات طيفية من الصورة . سلسلة من الشرائح التي تم الحصول عليها عن طريق أخذ عينات من الصورة الأصلية انزلاق النافذة .حجم شريحةثم ، اثنين من المدخلات الخطية ورسم الخرائط موقف الترميز ، ثم طرح للحصول على طبقة ضحلة ميزة التفاضلية ، والفرق هو سمة المدخلات من الفرق في الفروع . في وقت لاحق ، ثلاثة فروع تستخدم السيدة < سوب > < / سوب > < 2 سوب كتلة الوزن المشتركة لاستخراج كل ميزة . الصيغة الحسابية هي كما يلي :
بعد ذلك ، ونحن الحصول على اثنين من المرحلة الجديدة ميزة الرسوم البيانية باستخدام فرق مركز بكسل تبادل الاستراتيجية .هذه الميزات هي دخلت في كتلة أخرى من مرض التصلب العصبي المتعدد < سوب > < / سوب > 2 للحصول على ميزة الرسم البياني المكرر :
من خلال التعلم من استبدال اثنين من المرحلة الزمنية ميزة الرسم البياني ، يمكن تحقيق تبادل المعلومات بين الفرق بكسل في المركز و اثنين من المرحلة الزمنية بكسل في المنطقة المحيطة بها . بعد ذلك ، ونحن طرح ميزة الرسم البياني ، والحصول على أكثر تميز الفرق ميزة دمج اثنين من المرحلة الزمنية eigeninformation . . . . . . . وأخيرا ، فإن الناتج من الشبكة
نوعيمثل اتصال كامل طبقة ،نتائج الكشف عن التغييرات النهائية في النموذج .

2-2 ترميز الوضع النسبي

الإلتواء التقليدية تمتلك ثبات الترجمة ، مما يجعل من الممكن أن تتعلم أفضل الخصائص الأساسية في التعامل مع تصنيف المهام .Liu等,2018. لا بالنسبة للصور الفائقة الطيفية ، العلاقة بين الهيكل النسبي وسط بكسل بكسل المجاورة أمر بالغ الأهمية من أجل ميزة استخراج . في هذه الورقة ، فإننا نقدم موقف الترميز ، والتي يتم تطبيقها على نطاق واسع في نموذج التمثيل transformer صراحة نموذج العلاقة المكانية . أولا ، إدخال بيانات الصورة الفائقة الطيفية يتم تحويلها إلى أبعاد .تسلسل البيانات ذات البعد الواحدثم يتم تعيينها إلى أبعاد موحدة من خلال طبقة خطية . من أجل تعزيز العلاقة بين المواقف ، تعلم الترميز النسبي ( RPE ) هو عرض .Shaw等,2018مثلFig. 2كما هو مبين .
figure

Fig. 2 Schematic diagram of relative position embedding

الموقف النسبي ترميز المدخلات ميزة الرسم البياني يمكن أن تساعد على الحفاظ على الوضع النسبي الأصلي وتحسين القدرة على فهم المعلومات المكانية . على وجه التحديد ، معلومات الموقع يتم إضافتها إلى صورة ثنائية الطور ، على التوالي ، عن طريق إضافة :

2-3 نطاق الاهتمام كتلة الطيف المكاني

في هذه الورقة ، فإننا بناء كتلة من مرض التصلب العصبي المتعدد ، بما في ذلك الاهتمام convolutional المحوري ( ACA ) و عمق convolutional الاهتمام المتبقية تغذية ( كاليفورنيا ) .
تعرض )Dosovitskiy等,2021في هذه الورقة ، فإننا تصميم وحدة الاهتمام المحوري الإلتواء ، مثلFig. 3كما هو مبين . أولا ، استخدام حجمميزة الإدخال يتم تعيينها إلى ميزة جديدة في الفضاء . ثم ، ثلاثة مختلفة الحجم المحوري الإلتواء تستخدم لتنفيذ بعد واحد الإلتواء على طول اتجاه الارتفاع والعرض من الميزات .الإلتواء نواة تنصهر للحصول على الاهتمام النهائي في الرسم البياني . وأخيرا ، الانتباه إلى الرسم البياني هو ضرب مع المدخلات مثل تخصيص الانتباه من أحجام مختلفة .
figure

Fig. 3 Axial convolution attention

حيث DWCONV يمثل عمق للانفصال الإلتواء )Chollet,2017. لا في الكشف عن تغيير المشهد ، من أجل تخفيف الاعتماد على المسمى عينات محدودة من عينات التدريب اللازمة لتدريب نماذج أكثر كفاءة . ومع ذلك ، عندما يكون حجم العينة صغيرة جدا ، شبكة معقدة جدا يؤدي بسهولة إلى overfitting . ولذلك ، dwconv هو عرض لتحقيق أخف وزنا من الشبكة . تغيير التضاريس غالبا ما يكون مختلف الأحجام والأشكال ، باستخدام المقاييس الإلتواء المحورية يمكن التقاط وفرة المقاييس الميزات ، مما يساعد على استخراج أكثر دقة التغييرات .
عمق convolutional الاهتمام المتبقية Feedforward الشبكاتFig. 4كما هو موضح أعلاه ، فإن الهدف من هذه الدراسة هو بناء التبعية المكانية المحلية بكفاءة من أجل تعزيز ميزة التمثيل . أولا ، ميزة استخدام طبقة التطبيع ، ثم حجمبعد ذلك ، غير الخطية التصور هو عرض باستخدام جيلو تفعيل وظيفة . حجمفي ظل حالة من الحفاظ على الكفاءة الحاسوبية ، يمكن التقاط مزيد من المعلومات المكانية ، وتعزيز الاتصال بين المتاخمة بكسل . وأخيرا ، استخدام حجم آخرالإلتواء نواة الخريطة ميزة الأصلي في الفضاء ثلاثي الأبعاد ، كل وحدة تستخدم بقايا هيكل اتصال على التوالي في موقعين مختلفين للتخفيف من حدة الانحدار التلاشي والانفجار المشاكل . في العام ، عمق الإلتواء الانتباه إلى بقايا تغذية وحدة يعزز القدرة على النمذجة المحلية تفاصيل الصورة و الارتباط المكاني من خلال التعاون بين عمق الإلتواء و بقايا الهيكل ، الذي يرسي أساسا جيدا بعد الكشف عن التغييرات .
figure

Fig. 4 Deep convolutional attention residual feedforward

2-4 فرق مركز بكسل استراتيجية التحويل

عند التعامل مع الصور الفائقة الطيفية المهمة ، على عكس الصور الطبيعية ، التي تقتصر على القرار و التباين الطيفي ( " نفس الطيف المسألة الخارجية ، نفس المسألة heterospectrum " الظاهرة ) ، المحيطة بكسل مهم جدا لتصنيف الهدف بكسل . عادة ، ميزة استخراج والتعلم من المناطق المجاورة من بكسل إلى الكشف عن معا لتحديد نوع من بكسل . ولذلك ، مركز بكسل هو التركيز على الكشف عن التغيير ، المتاخمة بكسل هو مفتاح مساعدة المعلومات .
اثنين من الصور الفائقة الطيفية التي تم الحصول عليها في وقت مختلف ، تتأثر الإضاءة ، والغلاف الجوي ، وأجهزة الاستشعار ، وما إلى ذلك ، في كثير من الأحيان الحصول على صورة مختلفة ، مما أدى إلى تغيير زائف سوف تتداخل مع نتائج الكشف عن التغيير . وفي الوقت نفسه ، كل مرحلة من مراحل الصورة تحتوي أيضا على الخصائص الجغرافية الموضوعية من المرحلة الحالية ، العلاقة بين الهياكل الطبيعية النسبية بين الكائنات الحية هي مفيدة للكشف عن التغيير . ولذلك ، من المهم أيضا أن الفرق بين المعلومات و المعلومات الكامنة في اثنين من المرحلة . بعد المقارنة ، طريقة التعلم يمكن أن يؤدي إلى فقدان خصائص الكائن الأصلي ، ولا سيما حي الفضاء الطيف المعلومات في اثنين من المرحلة الزمنية . هذا النهج يتجاهل سلامة وتنوع الخصائص الجيولوجية ، وبالتالي فقدان كمية كبيرة من المعلومات المفيدة ، مما يجعل من مركز بكسل ميزة التعلم في نهاية المطاف تفتقر إلى الوقت المرحلة eigencharacteristics . . . . . . . ومع ذلك ، فإن أول طريقة التصنيف ثم المقارنة ، في نهاية الشبكة فقط دراسة العلاقة الزمنية بين اثنين من المرحلة الزمنية ، في عملية التعلم من اثنين من المرحلة الزمنية تفتقر إلى ميزة التفاضلية التوجيه )Khelifi和Mignotte,2020. لا في هذه الورقة ، فإننا نقترح استراتيجية تبادل مركز بكسل التفاضلية ، والتي يمكن تحقيق تبادل المعلومات بين مركز بكسل التفاضليةFig. 5كما هو مبين .
figure

Fig. 5 Central pixel exchange strategy

النقطة الرئيسية في هذه الورقة هو استخدام ميزة توجيه الفرق المقابلة بكسل في الكشف عن الفرق ميزة استبدال بكسل في الكشف عن اثنين من المرحلة ميزة . على وجه التحديد ، في أول مرض التصلب العصبي المتعدد < سوب > 2 < / سوب > كتلة ، ونحن استخراج مركز بكسل من الفرق ميزة الرسم البياني لاستبدال مركز بكسل من اثنين من ميزة الرسم البياني لتوليد ثلاثة فرق مميز ميزة الرسم البياني ، أي الفرق الأصلي ميزة الرسم البياني و الفرق ميزة الرسم البياني الذي يحتوي على معلومات من المرحلة الأولى و المنطقة الثانية على التوالي . ثم ، هذه الفرق ميزة الرسوم البيانية هي مدخلات السيدة الثانية < سوب > < / سوب > كتلة ، والتي يمكن تحقيق الانصهار بين اثنين من المرحلة السابقة حي المعلومات و فرق مركز بكسل .
من خلال تبادل مركز بكسل و الانتباه الذاتي فيوجن ، ليس فقط الاستفادة الكاملة من المعلومات والتفاعل بين الفروع الثلاثة يمكن أن تتحقق ، ولكن أيضا التعبير عن الفرق ميزة متعددة الأبعاد في أعماق الشبكة يمكن أن تكون موحدة ، مما يقلل من الفرق في التعلم من ميزة الشبكة في ظل عدم كفاية العينات ، وبالتالي الحصول على أكثر استقرارا تغيير الميزة . وأخيرا ، فإن الفرق ميزة الرسم البياني الذي يحتوي على معلومات من مرحلتين طرح الفرق ميزة الرسم البياني الأصلي مكدسة للحصول على الفرق النهائي ميزة الرسم البياني .

دالة الخسارة

الكشف عن التغيير يعتبر تصنيف المهمة ، كل بكسل من ثنائي المرحلة التصوير ينقسم إلى فئتين ، أي تغيير و ثبات . ولذلك ، عبر الكون دالة الخسارة يمكن استخدامها لتحسين الشبكة .
في الصيغة ، < ن > هو عدد العينات ،القيم الحقيقية من الأرض تغيير عينات من مجموعات التدريب .

النتائج التجريبية والتحليل

3-1 مجموعات البيانات ومعايير التقييم

3-1-1 مجموعات البيانات

من أجل تقييم فعالية نموذج الشبكة المقترحة في هذه الورقة ، تجارب أجريت على ثلاث مجموعات البيانات العامةFig. 6هل أنت بخير ؟ - نعم -Fig. 8. لا
figure
figure
figure

Fig. 6 Farmland dataset

figure
figure
figure

Fig. 7 River dataset

figure
figure
figure

Fig. 8 Hermiston dataset

أول مجموعة بيانات الأراضي الزراعية التي تغطي منطقة زراعية بالقرب من مدينة يانتشنغ بمقاطعة جيانغسو ، الصين .Fig. 6. لا مجموعة البيانات 242 العصابات ، الطول الموجي يتراوح من 0.4 إلى 2.5 نانومتر ، القرار المكانية هو 30 م بعد إزالة الضوضاء وامتصاص الماء العصابات ، مجموعة البيانات يحتوي على 155 العصابات الطيفية ، كل صورة لها مساحة 450 نانومتر .بكسل التغيير الرئيسي هو نوع من الأراضي الزراعية وزراعة التغيير .
مجموعة البيانات الثانية هي نهر مجموعة البيانات التي تغطي منطقة نهر في مقاطعة جيانغسو ، الصين .Fig. 7. لا مجموعة البيانات هو حجم الفضاء 463241 ، بعد إزالة الضوضاء الفرقة 198 العصابات . مجموعة طيفية 0.4-2.5m, القرار الطيفية هو 10 نانومتر ، القرار المكانية هو 30 متر .
مجموعة البيانات الثالثة هي مجموعة البيانات التي تغطي الأراضي الزراعية المروية في هيرمستون ، أوريغون ، الولايات المتحدة الأمريكية ، التي تم جمعها في عامي 2013 و 2014 )Fig. 8. لا مجموعة البيانات التي تم الحصول عليها من أجهزة الاستشعار هايبريون التي شنت على eo-1 الأقمار الصناعية . بعد القضاء على الضوضاء ، وحجم كل صورة 307241 ، بما في ذلك 154 نطاقات طيفية . التغيير الرئيسي هو نوع من الأراضي الزراعية وزراعة التغيير .

3-1-2 معايير التقييم

من أجل تحديد أداء أفضل من الطريقة المقترحة ، مجموع دقة الزراعة العضوية ( OA ) كابا coefficient ك ( كابا coefficient ) كانت تستخدم كمؤشر ، دقة العلاقات العامة ( precision ) ، أذكر ( إعادة ) و ( F1 F1 جزء F1 ) كانت تستخدم كمؤشر مساعد التقييم . عندما تكون نسبة العينات من مختلف الفئات غير متوازن ، نسبة كبيرة من الفئات غالبا ما يكون لها تأثير كبير على الزراعة العضوية في تقييم فعالية النموذج . وبناء على ذلك ، العلاقات العامة ، إعادة و متناسق يعني F1 أدخلت في تقييم شامل . وتعرف هذه المؤشرات على النحو التالي :
في هذه الصيغة ، صحيح إيجابية ن ( صحيح positive ) يمثل عدد بكسل التي تصنف بشكل صحيح في تغيير المنطقة ، صحيح سلبي ن ( صحيح negative ) يمثل عدد بكسل التي تصنف بشكل صحيح في منطقة ثابتة ، كاذبة إيجابية فب ( كاذبة positive ) يمثل عدد بكسل التي تصنف بشكل غير صحيح في تغيير المنطقة ، كاذبة سلبية فن ( كاذبة negative ) يمثل عدد بكسل التي تصنف بشكل غير صحيح في منطقة ثابتة . أكبر قيمة هذه المؤشرات ، أفضل أداء النموذج . في هذه الورقة ، ن ، تينيسي ، فب ، الجبهة الوطنية هي ممثلة في الأبيض ، الأحمر ، الأخضر والأسود ، على التوالي .

3-2 طرق المقارنة والتفاصيل التجريبية

من أجل تقييم أداء الهندسة المعمارية المقترحة ، فإن هذه الورقة يقارن هذا الأسلوب مع ثمانية أساليب الكشف عن التغيير ، بما في ذلك تحليل متجه التغيير التقليدية ( CVA )Bovolo和Bruzzone,2007و PCAKM )Celik,2009و bcnns التعلم العميق )Lin等,2020و CSANet(Song等,2022و CDFormer(Ding等,2022و SST-Former(Wang等,2022و MSDFFN(Luo等,2023غلوبال ميند )Hu等,2024. لا CVA و pcakm هي الأكثر شيوعا الأساليب التقليدية . pcakm يستخدم PCA لتوليد ميزة انخفاض الأبعاد ، ثم k-means تجميع ميزة تخفيض الأبعاد للحصول على تغيير النتيجة . bcnns يكتشف العلاقة بين اثنين من الوقت ميزة الرسوم البيانية من خلال الجمع بين ثنائي الميزة . msdffn يركز على ميزة التعلم التفاضلي ، والتصاميم المقاييس ميزة الانصهار وحدة . وكالة الفضاء الكندية صافي يجمع بين الاهتمام الذاتي مع سي ان ان ان لاستخراج ودمج الخصائص المكانية والزمانية . طائرة أسرع من الصوت شكل تصميم مشترك الطيف ، والفضاء والوقت transformer.spectral الفضاء transformer والوقت transformer مقتطفات الطيف تسلسل المعلومات المكانية والملمس الملامح من شريحة أزواج ، بالكشف عن تغيير المعلومات عبر الاهتمام الآلية . cdformer يجمع بين اثنين من المرحلة المكانية والزمانية المرجحة الطيفية ملامح هسيس ، وبالتالي تعزيز الاعتماد على الوقت . globalmind يستخدم متعدد المستويات العالمية multihead الاهتمام التفاعلي لالتقاط المعلومات العالمية بين العينات .
من خلال الاجتثاث التجربة ، ونحن اختيار مدخلات شريحة حجم 7 ، 9 و 5 على التوالي في الأراضي الزراعية ، والأنهار ، هيرمستون مجموعات البيانات . الشبكة المقترحة تم تدريبهم واختبارها على نفيديا غيفورسي 3090 GPU ( 24 جيجا بايت من الذاكرة ) باستخدام pytorch الإطار . أما عن طريقة غير منشورة رمز ، رمز هذه المقارنة الخوارزمية هو مستنسخ في هذه الورقة .
في التجربة ، 1 ٪ من عينات مختارة من مجموعة البيانات مثل تدريب مجموعة ، 1 ٪ من عينات اختبار مجموعة ، وغيرها من عينات اختبار مجموعة . من أجل ضمان موثوقية التجربة ، خمس تجارب متكررة أجريت في هذه الورقة . في مرحلة التدريب ، ونحن نستخدم - SGD محسن مع 5 × 10 < sup-3 > . معدل التعلم الأولي هو 1 × 10 < sup-4 > 0.1 مرة لكل 30 epoch تسوس . مجموع عدد التكرارات هو 50 و حجم العينة هو 32 . في الاجتثاث التجربة ، فقط نموذج الهيكل يمكن تعديلها وفقا لمتطلبات الاجتثاث ، والباقي من المعلمات التجريبية هي نفسها .

3-3 النتائج التجريبية والتحليل

3-3-1 النتائج التجريبية على الأراضي الزراعية مجموعة البيانات

Table 1نتائج كل نموذج على الأراضي الزراعية مجموعة البيانات المعروضة . ولذلك ، بالمقارنة مع التقليدية CVA و pcakm الأسلوب ، أسلوب التعلم العميق في كثير من الأحيان أكثر دقة ، لأن هذا الأسلوب يمكن أن تتعلم أكثر تعقيدا من خلال الإلتواء أو الاهتمام الذاتي طبقة طبقة . bcnns أسوأ أداء في جميع أساليب التعلم القائم على العمق فقط باستخدام 2D سي ان ان لاستخراج السمات المكانية . csanet يحسن استخدام الوقت المعلومات من خلال الاهتمام الآلية . cdformer و طائرة أسرع من الصوت شكل استخراج السمات العالمية من كل شريحة ، ولكن تفتقر إلى التفاصيل . بالمقارنة مع غيرها من الأساليب ، jcds 2 لديه أفضل أداء الكشف ، مما يدل على أن الفرق في ميزة التوجيه يمكن أن تجعل النموذج أكثر تركيزا على تغيير المنطقة ، ويمكن التقاط أكثر دقة التغييرات .

Table 1 Comparative quantitative results on the Farmland dataset

方法OAKCF1PrRe
CVA95.2588.6091.9790.3393.66
PCAKM95.1488.3791.8289.7893.96
BCNNs96.1790.7993.594.9792.08
CSANet96.3491.1293.6993.6093.79
CDFormer95.42
SST-Former96.8192.3794.6497.1992.22
MSDFFN97.1293.0495.0795.7694.40
GlobalMind97.0092.8494.9897.9592.19
本文方法98.3095.9097.1096.42
على النقيض من نتائج التجربة البصرية على الأراضي الزراعية مجموعة البياناتFig. 9ومن الواضح أن jcds 2 يظهر أقل إيجابية كاذبة بكسل ، وبالتالي الحصول على أفضل أداء البصرية . من بينها ، CVA التقليدية ، pcakm طريقة عرض المزيد من الخطأ تصنيف بكسل ، في منطقة ثابتة ( المنطقة السوداء ) واضحة " الملح والفلفل " الضوضاء ، وهناك الكثير من الخطأ تصنيف بكسل حولها . عمق التعلم القائم على خوارزمية أداء أفضل في التمييز بين بكسل ثابتة . . . ومع ذلك ، لا تزال هناك بعض سلبية كاذبة بكسل بين حقول الأرز . طائرة أسرع من الصوت و cdformer شكل النماذج العالمية القدرة ، ولكن لا تزال هناك بعض العيوب في الكشف عن التغييرات الطفيفة . وباختصار ، jcds 2 لديه أقل من نقاط الخطأ و أفضل الكشف عن تغيير التفاصيل من أساليب أخرى .
figure

Fig. 9 Qualitative visualization results on the Farmland dataset

النتائج التجريبية على نهر مجموعة البيانات

Table 2مقارنة النتائج التجريبية على نهر مجموعة البيانات . مقارنة مع أساليب أخرى ، دقة CVA و pcakm منخفضة نسبيا . دقة msdffn هو أعلى من ذلك من cdformer و طائرة أسرع من الصوت شكل ، مما يدل على أن الإلتواء على أساس نموذج ليس من السهل أن تناسب أكثر من ذلك ، في حين أن حجم محدود من العينات . بالمقارنة مع msdffn ، الشبكة المقترحة في هذه الورقة هو أكثر دقة ، مما يدل على أن السيدة < سوب > 2 < سوب > كتلة يمكن استخراج التغييرات ذات الصلة من عينات محدودة على نحو أكثر فعالية .

Table 2 Comparative quantitative results on the River dataset

方法OAKCF1PrRe
CVA92.8166.1869.9254.9396.17
PCAKM92.7265.9169.6954.6096.29
BCNNs95.1264.7867.3357.8580.55
CSANet94.9061.4964.0952.3482.63
CDFormer95.2362.8765.2451.55
SST-Former95.3566.8769.3360.4181.33
MSDFFN77.3683.73
GlobalMind96.0576.9079.0685.7473.35
本文方法97.2182.3183.8484.32
نتائج التصور على نهر مجموعة البياناتFig. 10يمكننا أن نرى أن هناك الكثير من الإيجابية الكاذبة بكسل ( المنطقة الخضراء ) في CVA و pcakm ، مما يدل على أن اثنين من الأساليب لا يمكن التمييز بين الإيجابية والسلبية عينات . bcnns لديها الكثير من الخطأ بكسل ، لأنه يستخدم فقط ميزة التعرف على طبقة ضحلة محدودة للكشف عن تغيير بكسل . طائرة أسرع من الصوت و cdformer شكل عدد كبير من المناطق الإيجابية الكاذبة التي تظهر في أسفل اليسار من الصورة ، مما يعني أن العديد من المناطق التي تم تحديدها من أجل التغيير . بالمقارنة مع msdffn ، jcds 2 لديه ميزة في التمييز بين التفاصيل الصغيرة ، والحصول على أفضل أداء البصرية .
figure

Fig. 10 Qualitative visualization results on the River dataset

3-3-3 النتائج التجريبية على مجموعة بيانات هرمستون

Table 3نتائج كل نموذج على مجموعة بيانات هرمستون يتم عرضها . في هذه الورقة ، فإننا نقترح طريقة جديدة للكشف عن التغيرات في مجموعة البيانات ، والتي يمكن استخدامها للكشف عن التغيرات في المنطقة . خلافا لغيرها من اثنين من مجموعات البيانات ، globalmind الذي لديه القدرة على الإدراك العالمي يحصل على أفضل دقة الأداء من msdffn . ومع ذلك ، jcds 2 لا يزال الحصول على نتائج أفضل من غيرها من الأساليب .

Table 3 Comparative quantitative results on the Hermiston dataset

方法OAKCF1PrRe
CVA92.0274.1678.8566.01
PCAKM92.0174.1378.8397.9065.98
BCNNs94.0782.3386.0981.4691.27
CSANet94.0682.1785.9280.4792.16
CDFormer93.5281.0985.2483.0587.54
SST-Former95.1085.6888.8286.3291.46
MSDFFN94.5083.4486.9081.0193.72
GlobalMind96.2085.82
本文方法95.8688.0790.7389.87
بالنسبة hemiston مجموعات البيانات ، النتائج المرئية هي كما يليFig. 11كما هو مبين . من نتائج CVA و pcakm ، دائرة ثابتة بكسل حول دائرة تغيير المنطقة خطأ تصنف على أنها تغيير و تصنيف النتائج تفتقر إلى ما يكفي من التفاصيل . csanet و cdformer عرض عدد كبير من السلبية الكاذبة بكسل ، وبعض المناطق الدائرية الكبيرة فقدت في الكشف عن التغييرات . مقارنة مع msdffn ، jcds < 2 > sup أقل إيجابية كاذبة كاذبة سلبية بكسل ، وعرض أفضل تغيير الكشف عن التفاصيل . وفي الوقت نفسه ، jcds < 2 / sup > < الكشف عن التغيرات غير المكتشفة في globalmind متفرقة .
figure

Fig. 11 Qualitative visualization results on the Hermistond dataset

الاجتثاث الدراسة

3-4-1 الاجتثاث لكل وحدة

في هذه الورقة ، فإننا نقترح أربع وحدات لتحسين أداء ميزة تغيير التعلم . من أجل إظهار فعالية كل وحدة بشكل أكثر وضوحا ، الاجتثاث أجريت تجارب على كل وحدة في ثلاث مجموعات البيانات ، بما في ذلك الموقف النسبي الترميز ( بي ) ، ميزة التفاضلية التوجيه ( ماجستير < سوب > 2 < سوب > كتلة ) ، محوري الإلتواء الانتباه ( ACA ) وعمق المتبقية تغذية ( كاليفورنيا ) . على وجه التحديد ، هذه الورقة تصميم خمس تجارب ، من النموذج الأساسي ، تدريجيا إضافة تصميم وحدات ، النتائج التجريبية هي كما يليTable 4منتدى

Table 4 The ablation results of the core module of JCDS2AN on three datasets /%

变化检测数据集检测指标模型
ACACAACA+CAACA+CA+MS2A BlockACA+CA+MS2A Block+PE
农OA96.6896.5196.8098.2098.36
KC91.9791.6192.2595.6496.03
F194.3294.0794.5196.9197.19
Pr94.9195.2994.8697.2897.68
Re93.7692.9194.1996.5596.71
河流OA95.1295.2695.3796.7197.17
KC64.1965.7067.5879.3382.03
F166.7168.1970.0581.1383.58
Pr56.5758.5962.5081.4083.02
Re82.2381.7480.0680.9184.21
赫米斯顿OA84.6785.8185.9195.4695.86
KC53.0156.9658.0186.8288.07
F162.5165.8166.8889.7390.73
Pr56.6960.7063.5088.0189.87
Re69.9872.3571.2691.5691.64
مقارنة مع نموذج كامل ، دقة يمكن أن تنخفض إذا كان الاهتمام أو عمق محوري الإلتواء المتبقية تغذية يتم حذفها بشكل منفصل . بعد زيادة الموقف النسبي الترميز ، دقة النموذج هو تحسين ، مما يدل على أن الموقف النسبي الترميز يمكن أن تساعد على الحفاظ على العلاقة المكانية بين بكسل ، وتيسير الانصهار والتفاعل بين المعلومات المجاورة في ميزة استخراج . ومع ذلك ، فإن دقة النموذج في كل مجموعة البيانات انخفضت بشكل ملحوظ بعد إزالة ميزة مختلفة الفروع . من خلال إدخال ميزات مختلفة والتفاعل مع اثنين من الميزات الزمنية ، نموذج يمكن أن تتعلم أكثر عن كثب مع ميزات مختلفة ، وفي الوقت نفسه ، يمكن أن تقلل من فقدان معلومات فعالة . وعلاوة على ذلك ، فإن دقة التغييرات الناجمة عن الجمع والطرح من وحدة واحدة ليست واضحة كما في غيرها من مجموعات البيانات في الزراعة < u underline نمط = " دوت " > تيان مجموعة البيانات ، لأن الزراعة < u underline نمط = " دوت " > تيان مجموعة البيانات نفسها من السهل تقسيم ، من السهل الحصول على أفضل نتائج الكشف عن التغيير . في كلمة واحدة ، على ثلاث مجموعات البيانات العامة ، وحدات مصممة في هذه الورقة يمكن أن تحسن أداء الكشف عن التغيير .

3-4-2 الاجتثاث من وضع الترميز

في التجربة ، وجدنا أن موقف مختلف الترميز يمكن أن تؤثر أيضا على أداء النموذج . لذلك ، في هذه الورقة ، ونحن اختبار نتائج الكشف عن موقف مختلف الترميز على ثلاث مجموعات البيانات ، وهذا هو ، ونحن استخدام أي موقف الترميز ، الترميز موقف عشوائي والنسبية موقف الترميز ، على التوالي .Table 5وتظهر النتائج أنه ، بالمقارنة مع التقليدية convolutional الشبكات التي لا تستخدم الكلمات الترميز ، الترميز يمكن التقاط الكلمات صراحة العلاقة المكانية بكسل في شريحة . مقارنة مع كلمة الاستراتيجية ، يمكن أن تكون أكثر دقة على غرار الموقف النسبي الترميز المكاني النسبي تخطيط بكسل في المنطقة المحلية من الصورة عن طريق ترميز المسافة النسبية بين بكسل .

Table 5 Ablation of position encoding in JCDS2AN /%

数据集位置编码OAKCF1PrRe
农田无98.2095.6496.9197.2896.55
随机98.2495.7396.9797.1596.79
相对98.3696.0397.1997.6896.71
河流无96.7179.3381.1381.4080.91
随机97.1081.3882.9781.2184.80
相对97.2182.3183.8483.4284.32
赫米斯顿无95.4686.8289.7388.0191.56
随机95.7987.8390.5389.2791.86
相对95.8688.0790.7389.8791.64

3-4-3 الاجتثاث من شريحة الحجم

من أجل تحليل تأثير مختلف شرائح حجم المدخلات على أداء النموذج ، أربعة أنواع من المدخلات شرائح حجم 5 ، 7 ، 9 ، 11 تم اختبارها على ثلاث مجموعات البيانات .Table 6استنادا إلى الأداء العام ، 7 ، 9 ، 5 تم اختيار أفضل شريحة الأحجام في ثلاث مجموعات البيانات . وفي الوقت نفسه ، فإن النتائج التجريبية تبين أن دقة النموذج لا تتقلب بشكل ملحوظ مع تغيير حجم شريحة . هذا يثبت صحة الفرق وسط بكسل تبادل الاستراتيجية المقترحة في هذه الورقة ، التي يمكن أن تقلل من الاعتماد على حجم النافذة في مساحة ثابتة من خلال تعزيز التعدين والانصهار في حي المعلومات .

Table 6 Ablation of patchsize in JCDS2AN /%

数据集切片大小OAKCF1PrRe
农田598.2295.6996.9698.0095.94
798.3696.0397.1997.6896.71
998.2795.8297.0497.8496.26
1198.2795.8297.0497.7996.31
河流597.1581.9483.5083.1083.98
797.1782.0383.5883.0284.21
997.2182.3183.8483.4284.32
1197.1781.9483.5482.8084.35
赫米斯顿595.8688.0790.7389.8791.64
795.7987.8390.5489.4391.69
995.7987.8790.5889.7491.46
1195.6987.7290.5191.2689.78

الاجتثاث من حجم العينة

من أجل دراسة تأثير حجم العينة على نتائج الاختبار ، ونحن اختبار نتائج الاختبار في ثلاث مجموعات البيانات . حجم العينة من التدريب هو 10 ٪ ، 20 ٪ ، 30 ٪ ، 40 ٪ و 50 ٪ على التوالي .Fig. 12منتدى
figure

Fig. 12 OA results across datasets at different sample size ratios

من الاتجاه العام ، يمكن أن ينظر إليه ، مع زيادة حجم العينة ، دقة كل ستة خوارزميات الاتجاه التصاعدي . هذا يدل على أن زيادة عدد عينات التدريب يجعل المزيد من المعلومات يمكن أن تشارك في الإشراف ، مما يساعد على الحصول على أكثر دقة وأكثر تميز خصائص التغيير . وفي الوقت نفسه ، عندما يكون حجم العينة أقل من 10 ٪ ، دقة jcds 2 نموذج أفضل من غيرها من الخوارزميات ، فقط 20 ٪ من العينات هي أقل قليلا من msdffn و cdformer ، مما يدل على أن هذه الطريقة يمكن استخراج أفضل تغيير ملامح من عينات محدودة .

3-4-5 مناقشة حساب التكاليف

في هذه الورقة ، حساب تكلفة جميع أساليب المقارنة ، مثلTable 7كما هو مبين . من بينها ، flops تمثل نقطة عائمة في كل نموذج ، وعادة ما تستخدم لقياس التعقيد الحسابي من النموذج ، params تمثل عدد من المعلمات التي يمكن تدريبهم في النموذج ، وقت التشغيل يمثل الوقت الذي يستغرقه نموذج التدريب والاختبار . وتظهر النتائج أن مقارنة مع الطريقة التقليدية ، طريقة التعلم العميق لديها أعلى دقة الكشف ، ولكن يحتاج إلى مزيد من التدريب . بالمقارنة مع غيرها من أساليب التعلم العميق ، jcds < 2 يمكن أن تقلل من عدد من المعلمات دون زيادة كبيرة في حساب المبلغ عن طريق إدخال عمق للانفصال الإلتواء .

Table 7 The runtime cost of various models on the Farmland dataset

方法PCAKMBCNNsCSANetSST-FormerMSDFFNGlobalMind本文方法
#Flops/K—317080376588915234473952922442988947904039859072
Params/K—54278624281144987942619559549738332674
Runtime/s0.216351552111136507769

خاتمة

في هذه الورقة ، فإننا نقترح jcds2an خوارزمية الكشف الذي يجمع بين مركز الفرق مع الاهتمام المكاني الطيفية للكشف عن التغيرات في الصور الفائقة الطيفية في حالة عينة محدودة . وتشمل المساهمات الرئيسية المحورية الإلتواء الإلتواء الانتباه ، عمق المتبقية تغذية مركز الفرق بكسل تبادل الاستراتيجيات . الطريقة المقترحة في هذه الورقة يمكن الحصول على أفضل تحليل المكونات المتغيرة ، ولها ميزة على غيرها من الأساليب في ظل حالة من عينة صغيرة . العمل في المستقبل سوف تنظر في إدخال فكرة شبه الإشراف ، وفي الوقت نفسه استخدام المسمى وغير المسمى عينات لتحسين دقة الكشف عن التغيرات فوق الطيفية .

References

  1. 1.
    Abeywickrama T, Cheema M A and Taniar D. 2016. k-nearest neighbors on road networks: a journey in experimentation and in-memory implementation. Proceedings of the VLDB Endowment, 9(6): 492-503
  2. 2.
    Bovolo F and Bruzzone L. 2007. A theoretical framework for unsupervised change detection based on change vector analysis in the polar domain. IEEE Transactions on Geoscience and Remote Sensing, 45(1): 218-236
  3. 3.
    Celik T. 2009. Unsupervised change detection in satellite images using principal component analysis and k-means clustering. IEEE Geoscience and Remote Sensing Letters, 6(4): 772-776
  4. 4.
    Chen H R X, Wu C, Du B, Zhang L P and Wang L. 2020. Change detection in multisource VHR images via deep siamese convolutional multiple-layers recurrent neural network. IEEE Transactions on Geoscience and Remote Sensing, 58(4): 2848-2864
  5. 5.
    Chollet F. 2017. Xception: deep learning with depthwise separable convolutions//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE: 1800-1807
  6. 6.
    Cortes C and Vapnik V. 1995. Support-vector networks. Machine Learning, 20(3): 273-297
  7. 7.
    Ding J G, Li X R and Zhao L Y. 2022. CDFormer: a hyperspectral image change detection method based on transformer encoders. IEEE Geoscience and Remote Sensing Letters, 19: 6015405
  8. 8.
    Dosovitskiy A, Beyer L, Kolesnikov A, Weissenborn D, Zhai X H, Unterthiner T, Dehghani M, Minderer M, Heigold G, Gelly S, Uszkoreit J and Houlsby N. 2021. An image is worth 16x16 words: transformers for image recognition at scale. arXiv:2010.11929
  9. 9.
    Gong M G, Jiang F L, Qin A K, Liu T F, Zhan T, Lu D, Zheng H H and Zhang M Y. 2022. A spectral and spatial attention network for change detection in hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, 60: 5521614
  10. 10.
    Hasanlou M and Seydi S T. 2018. Hyperspectral change detection: an experimental comparative study. International Journal of Remote Sensing, 39(20): 7029-7083
  11. 11.
    Hu M Q, Wu C and Zhang L P. 2024. GlobalMind: global multi-head interactive self-attention network for hyperspectral change detection. ISPRS Journal of Photogrammetry and Remote Sensing, 211: 465-483
  12. 12.
    Hyvärinen A and Oja E. 2000. Independent component analysis: algorithms and applications. Neural Networks, 13(4/5): 411-430
  13. 13.
    Jaturapitpornchai R, Matsuoka M, Kanemoto N, Kuzuoka S, Ito R and Nakamura R. 2019. Newly built construction detection in SAR images using deep learning. Remote Sensing, 11(12): 1444
  14. 14.
    Ji M, Liu L F, Du R L and Buchroithner M F. 2019. A comparative study of texture and convolutional neural network features for detecting collapsed buildings after earthquakes using pre- and post-event satellite imagery. Remote Sensing, 11(10): 1202
  15. 15.
    Jiang H W, Hu X Y, Li K, Zhang J M, Gong J Q and Zhang M. 2020. PGA-SiamNet: pyramid feature-based attention-guided siamese network for remote sensing orthoimagery building change detection. Remote Sensing, 12(3): 484
  16. 16.
    Khan S H, He X M, Porikli F and Bennamoun M. 2017. Forest change detection in incomplete satellite images with deep neural networks. IEEE Transactions on Geoscience and Remote Sensing, 55(9): 5407-5423
  17. 17.
    Khelifi L and Mignotte M. 2020. Deep learning for change detection in remote sensing images: comprehensive review and meta-analysis. IEEE Access, 8: 126385-126400
  18. 18.
    Li F T, Zhou F D, Zhang G, Xiao J F and Zeng P. 2024. HSAA-CD: a hierarchical semantic aggregation mechanism and attention module for non-agricultural change detection in cultivated land. Remote Sensing, 16(8): 1372
  19. 19.
    Lin Y, Li S T, Fang L Y and Ghamisi P. 2020. Multispectral change detection with bilinear convolutional neural networks. IEEE Geoscience and Remote Sensing Letters, 17(10): 1757-1761
  20. 20.
    Liu R, Lehman J, Molino P, Such F P, Frank E, Sergeev A and Yosinski J. 2018. An intriguing failing of convolutional neural networks and the CoordConv solution//Proceedings of the 32nd International Conference on Neural Information Processing Systems. Montréal: Curran Associates Inc.: 9628-9639
  21. 21.
    Qu J H, Hou S X, Dong W Q, Li Y S, Xie W Y. 2022. A Multilevel Encoder-Decoder Attention Network for Change Detection in Hyperspectral Images. IEEE Transactions on Geoscience and Remote Sensing, 60:5518113
  22. 22.
    Luo F L, Zhou T Y, Liu J M, Guo T, Gong X W and Ren J C. 2023. Multiscale diff-changed feature fusion network for hyperspectral image change detection. IEEE Transactions on Geoscience and Remote Sensing, 61: 5502713
  23. 23.
    Mou L C, Bruzzone L and Zhu X X. 2019. Learning spectral-spatial-temporal features via a recurrent convolutional neural network for change detection in multispectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 57(2): 924-935
  24. 24.
    Nielsen A A, Conradsen K and Simpson J J. 1998. Multivariate Alteration Detection (MAD) and MAF postprocessing in multispectral, bitemporal image data: new approaches to change detection studies. Remote Sensing of Environment, 64(1): 1-19
  25. 25.
    Qu J H, Hou S X, Dong W Q, Li Y S and Xie W Y. 2022a. A multilevel encoder-decoder attention network for change detection in hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, 60: 5518113
  26. 26.
    Qu J H, Xu Y S, Dong W Q, Li Y S and Du Q. 2022b. Dual-branch difference amplification graph convolutional network for hyperspectral image change detection. IEEE Transactions on Geoscience and Remote Sensing, 60: 5519912
  27. 27.
    Shaw P, Uszkoreit J and Vaswani A. 2018. Self-attention with relative position representations//Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers). New Orleans: Association for Computational Linguistics: 464-468
  28. 28.
    Song R X, Ni W H, Cheng W and Wang X H. 2022. CSANet: cross-temporal interaction symmetric attention network for hyperspectral image change detection. IEEE Geoscience and Remote Sensing Letters, 19: 6010105
  29. 29.
    Wang Q, Yuan Z H, Du Q and Li X L. 2019. GETNET: a general end-to-end 2-D CNN framework for hyperspectral image change detection. IEEE Transactions on Geoscience and Remote Sensing, 57(1): 3-13
  30. 30.
    Wang Y H, Hong D F, Sha J J, Gao L R, Liu L, Zhang Y G and Rong X H. 2022. Spectral-spatial-temporal transformers for hyperspectral image change detection. IEEE Transactions on Geoscience and Remote Sensing, 60: 5536814
  31. 31.
    Wu C, Du B and Zhang L P. 2014. Slow feature analysis for change detection in multispectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 52(5): 2858-2874
  32. 32.
    Yang B, Mao Y, Chen J, Liu J Q, Chen J and Yan K. 2023. Review of remote sensing change detection in deep learning: bibliometric and analysis. National Remote Sensing Bulletin, 27(9): 1988-2005
  33. 33.
    Zhang L P and Wu C. 2017. Advance and future development of change detection for multi-temporal remote sensing imagery. Acta Geodaetica et Cartographica Sinica, 46(10): 1447-1459

قراءة النص الكامل

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website