Ces dernières années, l'apprentissage profond a montré un potentiel énorme dans les tâches de détection de changements sur des images de télédétection multi-temporelles. Un nombre suffisant d'exemples d'entraînement est une condition importante pour que les techniques d'apprentissage profond puissent extraire efficacement les caractéristiques des changements dans les images de télédétection. Cependant, les ensembles de données annotés publics actuels sont encore insuffisants pour répondre aux besoins de détection des différents types de changements dans les applications pratiques. Comme les changements de couverture terrestre occupent généralement une petite zone, les échantillons disponibles de changements sont souvent peu nombreux et présentent un problème majeur de déséquilibre par rapport aux échantillons sans changement. Par conséquent, la question de savoir comment entraîner efficacement les réseaux de détection de changements dans des conditions de peu d'échantillons et de déséquilibre est un défi urgent à résoudre. Par rapport aux échantillons de détection de changements, il est beaucoup plus facile d'obtenir des échantillons de classification de couverture terrestre à un seul instant ; avec le soutien des échantillons de classification, un réseau de classification de couverture terrestre bien entraîné peut fournir des caractéristiques a priori importantes pour la détection de changements. Sur cette base, cet article propose un réseau de détection de changements siamese Nested-UNet basé sur l'espace de probabilité a posteriori de classification SNU-PS (Siamese Nested-UNet for change detection in Posterior Probability Space), qui réduit la dépendance aux échantillons de détection de changements en combinant les informations de probabilité a posteriori de la classification de couverture terrestre à deux dates. La méthode utilise d'abord des échantillons de classification de couverture terrestre pour entraîner un réseau haute résolution HRNet (High-Resolution Network) afin d'obtenir les probabilités a posteriori de classification des objets des images à deux temps ; puis elle entre les images de probabilité a posteriori dans le réseau de détection de changements siamese Nested-UNet SNU (Siamese Nested-UNet for change detection) pour obtenir les résultats de détection. Les résultats des tests sur les ensembles de données SpaceNet7 et HRSCD montrent que SNU-PS peut pleinement exploiter l'information sémantique de la couverture terrestre, en maintenant une précision stable de détection des changements à différents niveaux de nombre d'échantillons d'entraînement ; comparé à la comparaison post-classification PCC (Post Classification Comparison), à l'analyse du vecteur de changement dans l'espace de probabilité a posteriori CVAPS (Change-vector analysis in posterior probability space), ainsi qu'à divers réseaux de détection de changements (SNU, FC-EF, BIT, PCFN), il offre une précision de détection plus élevée et plus stable, particulièrement lorsqu'il y a peu d'échantillons, où l'avantage est plus notable. Par conséquent, le SNU-PS proposé présente de meilleures perspectives d'application pour la détection de changements dans des scénarios à faible échantillonnage.

couverture terrestre; détection de changements; apprentissage profond; faible échantillonnage; déséquilibre des échantillons; réseau de segmentation sémantique; réseau siamois; probabilité a posteriori