[論文レビュー] WRICNet:A Weighted Rich-scale Inception Coder Network for Multi-Resolution Remote Sensing Image Change Detection

Yu Jiang, Lei Hu+2 more|arXiv (Cornell University)|Aug 18, 2021

Remote-Sensing Image Classification参考文献 39被引用数 4

ひとこと要約

WRICNetは、浅層のマルチスケール特徴抽出のための重み付きリッチスケールインセプションモジュールと、深層マルチスケール表現のための重み付きリッチスケールコーダーモジュールを統合する、マルチリゾリューションリモートセンシング画像の変化検出のための新しいディープラーニングアーキテクチャを提案する。特徴量をスケール間で適応的に統合することにより、エッジの正確性を向上させ、誤検出・見逃しを低減し、マルチリゾリューションデータセットにおいてF1スコアおよびIoUで顕著な向上を達成する。

ABSTRACT

Majority models of remote sensing image changing detection can only get great effect in a specific resolution data set. With the purpose of improving change detection effectiveness of the model in the multi-resolution data set, a weighted rich-scale inception coder network (WRICNet) is proposed in this article, which can make a great fusion of shallow multi-scale features, and deep multi-scale features. The weighted rich-scale inception module of the proposed can obtain shallow multi-scale features, the weighted rich-scale coder module can obtain deep multi-scale features. The weighted scale block assigns appropriate weights to features of different scales, which can strengthen expressive ability of the edge of the changing area. The performance experiments on the multi-resolution data set demonstrate that, compared to the comparative methods, the proposed can further reduce the false alarm outside the change area, and the missed alarm in the change area, besides, the edge of the change area is more accurate. The ablation study of the proposed shows that the training strategy, and improvements of this article can improve the effectiveness of change detection.

研究の動機と目的

• マルチリゾリューションリモートセンシングデータに対して性能が低い既存の変化検出モデルの限界に対処すること。
• 浅層および深層のマルチスケール特徴を効果的に統合することで、特徴表現を向上させること。
• 異なるスケールの特徴に適応的な重みを割り当てることで、変化境界での検出精度を向上させること。
• 変化のない領域での誤検出と、実際の変化領域での見逃し検出を低減すること。
• リモートセンシング画像の多様なリゾリューションレベルに一般化可能な堅牢なモデルアーキテクチャを開発すること。

提案手法

• ネットワークの初期層からマルチスケール特徴を抽出・統合するための重み付きリッチスケールインセプションモジュールを導入する。
• 階層的な深層特徴とマルチスケールの文脈を捉えるために、重み付きリッチスケールコーダーモジュールを採用する。
• スケール固有の特徴に学習可能な注目メカニズムに類似した重みを適用し、情報量の多いスケールを強調することで、より良いエッジ局在化を実現する。
• スパム接続を用いて空間的詳細を保持し、ネットワーク全体での特徴伝搬を強化する。
• スケールと文脈に基づいて特徴の重要性を動的に調整する重み付き統合戦略を通じて、マルチスケール特徴を統合する。
• 境界の正確性と全体の精度に焦点を当てた、変化検出に最適化された教師あり損失関数を用いてネットワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 統合されたディープラーニングフレームワークは、複数のリモートセンシング画像リゾリューション間での変化検出を効果的に処理できるか？
• RQ2 マルチスケール特徴の適応的重み付けは、特に変化境界での検出精度をどのように向上させるか？
• RQ3 浅層と深層のマルチスケール特徴を組み合わせることで、変化検出における誤検出および見逃し検出はどの程度低減されるか？
• RQ4 提案されたアーキテクチャは、多様なマルチリゾリューションデータセットにおいて、既存のモデルよりも一般化性に優れているか？
• RQ5 重み付き統合メカニズムは、複雑なリモートセンシング環境下での全体的な性能にどの程度寄与しているか？

主な発見

• WRICNetはマルチリゾリューションデータセットで優れた性能を達成し、変化領域外での誤検出を顕著に低減した。
• モデルは変化境界での検出精度を向上させ、変化領域のより正確なセグメンテーションを実現した。
• 定量的評価では、最先端の手法と比較してF1スコアおよび交差率（IoU）に顕著な向上が見られた。
• アブレーションスタディにより、重み付き特徴統合メカニズムと訓練戦略が性能向上に不可欠であることが確認された。
• ネットワークは多様な画像リゾリューションにわたり堅牢であることが示され、一般化能力が裏付けられた。