[논문 리뷰] WRICNet:A Weighted Rich-scale Inception Coder Network for Multi-Resolution Remote Sensing Image Change Detection

Yu Jiang, Lei Hu외 2명|arXiv (Cornell University)|2021. 08. 18.

Remote-Sensing Image Classification참고 문헌 39인용 수 4

한 줄 요약

WRICNet는 다중 해상도 원격 감시 영상 변화 감지에 대한 새로운 딥러닝 아키텍처를 제안하며, 浅층 다중 해상도 특징 추출을 위한 가중치가 부여된 리치스케일 인셉션 모듈과 깊은 다중 해상도 표현을 위한 가중치가 부여된 리치스케일 코더 모듈을 통합한다. 이 방법은 다양한 해상도에서의 특징을 적응적으로 융합함으로써 가장자리 정확도를 향상시키고 거짓 경보 및 누락 경보를 줄이며, F1 점수와 IoU에서 기존 방법에 비해 뚜렷한 향상을 보인다.

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.

연구 동기 및 목표

• 기존 변화 감지 모델이 다중 해상도 원격 감시 데이터에서 성능이 열 劣한 데 대한 한계를 해결한다.
• 얕은 층과 깊은 층의 다중 해상도 특징을 효과적으로 융합함으로써 특징 표현을 향상시킨다.
• 다양한 해상도의 특징에 적응적인 가중치를 할당하여 변화 경계에서의 검출 정확도를 높인다.
• 변화가 없는 영역에서의 거짓 경보와 실제 변화 영역에서의 누락 검출을 줄인다.
• 다양한 해상도 수준에서 일반화 능력이 뛰어난 견고한 모델 아키텍처를 개발한다.

제안 방법

• 초기 네트워크 레이어에서 다중 해상도 특징을 추출하고 융합하기 위해 가중치가 부여된 리치스케일 인셉션 모듈을 도입한다.
• 다양한 해상도의 맥락을 포함한 계층적인 깊은 특징을 캡처하기 위해 가중치가 부여된 리치스케일 코더 모듈을 활용한다.
• 스케일별 특징에 대해 학습 가능한 주의 메커니즘 유사 가중치를 적용하여 정보가 풍부한 스케일을 강조함으로써 더 정확한 가장자리 국소화를 달성한다.
• 스페이스 세부 정보를 유지하고 네트워크 전반에 걸쳐 특징 전파를 향상시키기 위해 스킵 연결을 사용한다.
• 스케일과 맥락에 따라 특징 중요도를 동적으로 조정하는 가중치 기반 융합 전략을 통해 다중 해상도 특징을 통합한다.
• 경계 정밀도와 전체 정확도에 중점을 두고 최적화된 변화 감지 전용 지도 학습 손실 함수를 사용하여 네트워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 통합된 딥러닝 프레임워크가 다중 원격 감시 영상 해상도 간 변화 감지에 효과적으로 대응할 수 있는가?
• RQ2 다중 해상도 특징의 적응적 가중치 부여가 변화 경계에서의 검출 정확도를 어떻게 향상시키는가?
• RQ3 얕은 층과 깊은 층의 다중 해상도 특징을 융합함으로써 변화 감지에서 거짓 경보 및 누락 경보가 얼마나 감소하는가?
• RQ4 제안된 아키텍처가 다양한 다중 해상도 데이터셋에서 기존 모델보다 더 잘 일반화되는가?
• RQ5 가중치 기반 융합 메커니즘이 복잡한 원격 감시 환경에서의 전체 성능에 기여하는 정도는 어떠한가?

주요 결과

• WRICNet은 다중 해상도 데이터셋에서 뛰어난 성능을 기록하며 변화 영역 외부의 거짓 경보를 크게 감소시켰다.
• 모델은 변화 경계에서의 검출 정확도를 향상시켜 변화 영역의 더 정밀한 세분화를 가능하게 하였다.
• 정량적 결과는 최신 기술 대비 F1 점수와 교차율(Intersection over Union, IoU)에서 뚜렷한 향상을 보였다.
• 절단 실험을 통해 가중치 기반 특징 융합 메커니즘과 훈련 전략이 성능 향상에 핵심적인 역할을 한다는 것이 확인되었다.
• 네트워크는 다양한 이미지 해상도에서 견고성을 보이며, 일반화 능력이 검증되었다.