多時相の高解像度スペクトル画像は、その豊富なスペクトルバンドと画像の詳細さゆえに、変化検出に広く利用されています。監督学習に基づく高解像度スペクトル変化検出アルゴリズムはしばしば多くのマーキングサンプルに依存しており、これにより高いラベル付けコストが発生しています。本論文では、変化特徴の揺らぎを緩和し、限られたラベル付きサンプルを使用して代表的な変化特徴を学習するためのジョイント・セントラル・ディファレンス・フィーチャーとスペクトル・スペース・アテンション・ネットワーク（JCDS^2AN）を提案します。JCDS^2ANネットワークでは、スペクトル空間のマルチスケール特徴をキャプチャするために、マルチスケール空間アテンションブロックを設計し、同時に、ディファレンス・フィーチャーによる中心ピクセルの交換戦略を提案して、うまくディファレンス・フィーチャーと2時相フィーチャーの効率的な情報交換を実現します。公開データセットの視覚化実験結果と定量的実験結果は、提案されたJCDS^2ANが他の先進的な高解像度スペクトル変化検出手法よりも優れていることを示しています。

高解像度スペクトル画像; リモートセンシング画像; 変化検出; マルチスケール特徴; ディファレンス特徴ガイド; 中心ピクセル