《A Deeply Supervised Attention Metric-Based Network and an Open Aerial Image Dataset for Remote Sensing Change Detection》笔记

发表于 更新于 分类于 本文字数： 1.1k 阅读时长 ≈ 1 分钟

论文地址：A Deeply Supervised Attention Metric-Based Network and an Open Aerial Image Dataset for Remote Sensing Change Detection

摘要

动机

尽管近几年深度学习方法在变化检测中取得了很多实质性突破，但是变化检测的结果容易受到光照、噪声、和尺度等外部因素的影响，从而导致检测图中出现伪变化和噪声

主要工作

  • 提出了一种基于 深度监督（DS） 注意力度量的网络（DSAMNet）

  • 集成CBAM模块，在空间和通道方面获得更具有辨别力的特征；使用深度监督以实现更好的特征提取

  • 提出了一个新的变化检测数据集SYSU-CD，并且模型在CDD和SYSU-CD上取得了很好的效果

网络结构

DSAMNet整体结构图如下所示，主要可以分为三部分：特征提取、度量学习、深度监督。特征提取部分主要采用ResNet网络进行多尺度多深度特征的提取；度量学习部分首先将输入特征经过CBAM模块处理得到更具有辨别性的特征，然后计算双时相特征之间的距离，最后根据BCL Loss进行优化；深度监督部分主要由一个深度监督层和损失计算构成，深度监督层负责将特征上采样到输入图像大小。

image-20221123103155809

CBAM

CBAM模块主要进行通道注意力和空间注意力处理，空间注意力和通道注意力均采用最大池化和平均池化处理，不过一个在空间维度，另一个在通道维度。

image-20221123104338589

image-20221123104548679

度量学习模块

为了充分利用低层特征中丰富的空间信息和高层特征中的语义信息，首先将ResNet提取到的每一层特征进行通道统一（全部变成96，并且统一尺寸为输入图像的一半），然后将每一层的特征进行concat后输入到CBAM模块计算双时相特征之间的距离，最后和GT进行计算BCL Loss。其中BCL Loss计算如下图所示

image-20221123104632659

image-20221123110522900

深度监督模块

由于网络的中间层的训练是不透明的而且缺乏监督，所以中间层并不能很好地学习有效特征，所以使用深度监督模块来增强浅层特征的表征能力。主要针对前两层特征进行深度监督处理，文章中提到这两层同时具备丰富的空间信息和语义信息。在输出变化图后与GT进行Dice Loss计算来优化网络。

image-20221123121048547

实验

对比实验

image-20221123122838424

image-20221123122847259

可视化对比实验

image-20221123122911508

image-20221123122929541

消融实验

image-20221123123000141

image-20221123123021835

超参λ\lambda实验

image-20221123123122491

总结

  • 本文提出了一种新的深度学习处理变化检测的方法：使用CBAM模块直接从特征中学习到变化图，同时使用辅助深度监督模块。用于生成具有更多空间信息的变化图。

  • CBAM可以有效地使特征更具有判别性，从而辅助度量模块的学习；同时深度监督模块可以很好地利用中间块特征中包含的信息，从而进一步改进度量模块学习到的变化图。

  • 通过在CDD、SYSU-CD数据集上实验表示该方法结果优于其他最先进的方法。