Nos últimos anos, o aprendizado profundo demonstrou grande potencial em tarefas de detecção de mudanças em imagens multitemporais de sensoriamento remoto. Amostras de treinamento suficientes são uma condição importante para que as técnicas de aprendizado profundo possam extrair eficazmente as características das mudanças nas imagens de sensoriamento remoto. No entanto, os conjuntos de dados anotados públicos limitados atualmente não atendem às necessidades de detecção de vários tipos de mudanças em aplicações práticas. Como as mudanças na cobertura do solo geralmente ocupam apenas uma pequena parte da área, as amostras disponíveis de mudanças frequentemente são muito poucas, e existe um sério problema de desequilíbrio em comparação com as amostras sem mudanças. Portanto, como treinar efetivamente redes de detecção de mudanças sob condições de poucas amostras e desequilíbrio é um desafio urgente a ser superado. Em comparação com amostras de detecção de mudanças, a obtenção de amostras de classificação de cobertura do solo em um único instante é muito mais fácil; com o suporte das amostras de classificação, uma rede de classificação de cobertura do solo bem treinada pode fornecer características a priori importantes para a detecção de mudanças. Com base nisso, este artigo propõe uma rede de detecção de mudanças siamês Nested-UNet baseada no espaço de probabilidade posterior de classificação SNU-PS (Siamese Nested-UNet for change detection in Posterior Probability Space), que reduz a dependência das amostras de detecção de mudanças combinando as informações da probabilidade posterior da classificação de cobertura do solo em dois períodos temporais. O método primeiro utiliza amostras de classificação de cobertura do solo para treinar a rede de alta resolução HRNet (High-Resolution Network), obtendo probabilidades posteriores de classificação de objetos para imagens multitemporais; em seguida, as imagens de probabilidade posterior são inseridas na rede de detecção de mudanças siamês Nested-UNet SNU (Siamese Nested-UNet for change detection) para obter os resultados da detecção. Os resultados dos testes nos conjuntos de dados SpaceNet7 e HRSCD demonstram que o SNU-PS pode aproveitar plenamente as informações semânticas da cobertura do solo, mantendo uma precisão estável na detecção de mudanças em diferentes níveis de quantidade de amostras de treinamento; comparado à comparação pós-classificação PCC (Post Classification Comparison), à análise do vetor de mudança no espaço de probabilidade posterior CVAPS (Change-vector analysis in posterior probability space) e a várias redes de detecção de mudanças (SNU, FC-EF, BIT, PCFN), oferece maior e mais estável precisão de detecção de mudanças, especialmente quando há poucas amostras, onde a vantagem é mais evidente. Portanto, o SNU-PS proposto tem melhores perspectivas de aplicação em tarefas de detecção de mudanças em cenários de poucas amostras.

cobertura do solo; detecção de mudanças; aprendizado profundo; poucas amostras; desequilíbrio de amostras; rede de segmentação semântica; rede siamês; probabilidade posterior