基于全局结构差异与局部注意力的变化检测 | 梅杰, 程明明
梅杰, 程明明. 基于全局结构差异与局部注意力的变化检测. 中国科学: 信息科学, DOI: 10.1360/SSI-2021-0384
对土地覆盖的变化检测是监测区域和全球环境的一项重要技术. 当灾害发生时, 检测由自然灾害造成的不同变化, 及时地评估灾害损毁的位置和严重程度, 对于开展有效的灾害响应活动至关重要.
由于地面评估存在风险且难以获得, 遥感图像已成为灾害变化检测和损毁评估的有力工具.
早期的变化检测研究通常基于两个不同时期的图像, 使用感知像素差异的模型实现, 这些方法通常是为特定数据设计的, 在处理其他区域的图像时效果较差.
一些研究采用卷积神经网络, 基于分割的方法来进行灾害的变化检测和损毁评估, 但通常只用于检测由单个灾害引起的变化.
本文依托具体的灾害检测任务对变化检测进行研究, 并提出了一种新颖的变化检测方法（CHange TRansformer, CHTR）, 基于双时序遥感图像同时进行建筑物分割和多级别变化检测.
结合CNN擅长学习局部细节特征和Transformer可以建模长程依赖关系的优势, 采用混合CNN和Transformer的架构作为编码器. 同时引入渐进式上采样策略作为解码器, 来生成建筑物分割和变化检测的输出.
本文的主要贡献可总结如下:
(1) 提出了一种新颖的变化检测方法, 基于双时序遥感图像同时进行建筑物分割和多级变化检测任务. 在大规模建筑损毁评估数据集xBD上取得了较好的结果.
(2) 开发了一种全局差异模块, 用以捕捉全局变化模式并提高对双时序遥感图像之间变化的整体认识.
(3) 设计了一种局部门控注意力模块, 通过探索多级别变化之间的局部依赖性来提高识别不同变化的能力.
本文实验采用xBD数据集, 它是目前最大的建筑物损毁评估数据集. 其中包含45362平方公里的地理区域、850736个标注的建筑物以及来自19种不同自然灾害的22068张遥感图像（即11034对灾前和灾后的图像）, 例如洪水、地震、野火和火山爆发等. 介绍了四级损毁等级来评估多种灾害发生后的建筑物损毁, 包括无损毁、轻微损毁、严重损毁和完全损毁.
本文选取包含2799对遥感图像的训练集和包含933对遥感图像的测试集, 用于本文实验的训练和测试.
本方法CHTR和其他方法的定量化比较结果如表1所示, 结果可见本方法在变化检测任务中有效地实现了比广泛使用的孪生网络更好的性能, 这使其成为灾害评估中更好的选择.
在xBD数据集上的可视化结果如图4所示, 可见本方法的建筑分割结果更准确, 变化等级的分类也与真值更加一致. 例如, 第5行结果以及其第6行的放大图中, 有几座建筑物被洪水损毁. 进一步验证了本方法在建筑物分割和多级变化检测两个任务中的有效性.