En los últimos años, el aprendizaje profundo ha mostrado un gran potencial en tareas de detección de cambios en imágenes de teledetección multitemporales. Un número suficiente de muestras de entrenamiento es una condición importante para que las técnicas de aprendizaje profundo puedan extraer eficazmente las características de los cambios en las imágenes de teledetección. Sin embargo, los conjuntos de datos públicos anotados limitados actualmente no satisfacen las necesidades de detección de diversos tipos de cambios en aplicaciones prácticas. Dado que los cambios en la cobertura terrestre generalmente ocupan solo una pequeña parte del área, las muestras de cambio disponibles suelen ser muy pocas y existe un grave problema de desequilibrio en comparación con las muestras sin cambios. Por lo tanto, cómo entrenar eficazmente las redes de detección de cambios bajo condiciones de pocas muestras y desequilibrio es un desafío urgente por resolver. En comparación con las muestras de detección de cambios, la obtención de muestras de clasificación de cobertura terrestre en un solo instante temporal es mucho más fácil; con el apoyo de muestras de clasificación, una red de clasificación de cobertura terrestre bien entrenada puede proporcionar características a priori importantes para la detección de cambios. Basado en esto, este artículo propone una red de detección de cambios Nested-UNet siamés basada en el espacio de probabilidad posterior de clasificación SNU-PS (Siamese Nested-UNet for change detection in Posterior Probability Space), que reduce la dependencia de muestras de detección de cambios combinando la información de probabilidad posterior de clasificación de cobertura terrestre de dos períodos temporales. Este método utiliza primero muestras de clasificación de cobertura terrestre para entrenar una red de alta resolución HRNet (High-Resolution Network), obteniendo probabilidades posteriores de clasificación de objetos para imágenes multitemporales; luego ingresa las imágenes de probabilidad posterior a la red de detección de cambios Nested-UNet siamés SNU (Siamese Nested-UNet for change detection) para obtener los resultados de detección. Los resultados de las pruebas en los conjuntos de datos SpaceNet7 y HRSCD demuestran que SNU-PS puede aprovechar completamente la información semántica de la cobertura terrestre y mantener una precisión estable en la detección de cambios en diferentes niveles de cantidad de muestras de entrenamiento; en comparación con la comparación postclasificación PCC (Post Classification Comparison), el análisis de vectores de cambio en el espacio de probabilidad posterior CVAPS (Change-vector analysis in posterior probability space) y varias redes de detección de cambios (SNU, FC-EF, BIT, PCFN), ofrece una precisión de detección más alta y estable, especialmente cuando hay pocas muestras, donde la ventaja es más notable. Por lo tanto, el SNU-PS propuesto tiene mejores perspectivas de aplicación en tareas de detección de cambios con pocos datos.

cobertura terrestre; detección de cambios; aprendizaje profundo; pocas muestras; desequilibrio de muestras; red de segmentación semántica; red siamés; probabilidad posterior