다중 시점 고분광 영상은 풍부한 스펙트럼 밴드와 영상 세부 정보로 인해 변화 탐지에 널리 사용된다. 감독 학습 기반의 고분광 변화 탐지 알고리즘은 종종 많은 라벨 샘플에 의존하여 라벨링 비용이 높아진다. 이를 위해 본 논문에서는 고분광 영상 변화 탐지를 위한 JCDS²AN(결합 중심 차이 특성 및 스펙트럼-공간 주의 네트워크)을 제안한다. 이 네트워크는 제한된 샘플 하에서 변화 특성 변동을 완화하고, 제한된 라벨 샘플로 대표성 있는 변화 특성을 학습할 수 있다. 본 논문에서 제안한 JCDS²AN은 공간 및 스펙트럼의 다중 스케일 특성을 포착하기 위해 다중 스케일 스펙트럼-공간 주의 블록을 설계하였고, 차이 특성에 의해 유도된 차등 중심 픽셀 교환 전략을 제안하여 차이 특성과 두 시점 특성 간 효율적인 정보 상호작용을 실현하였다. 또한 다른 8가지 고분광 변화 탐지 방법들과 3개의 공개 데이터셋에서 시각적 및 정량적 실험을 통해 비교 검증하였다. 검증 결과 본 논문에서 제안한 JCDS²AN이 다른 고분광 변화 탐지 방법보다 우수함을 보여주었다.

고분광 영상; 원격 탐사 영상; 변화 탐지; 다중 스케일 특징; 차이 특성 유도; 중심 픽셀