[论文解读] Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network

Junjie Wang, Feng Gao+3 more|arXiv (Cornell University)|Jan 22, 2022

Remote-Sensing Image Classification被引用 4

一句话总结

该论文提出GKSNet，一种基于图的SAR图像变化检测知识增强网络，通过利用标注数据集中的判别性特征来减少伪标签训练样本中的噪声。通过使用图卷积和跨数据集特征蒸馏，GKSNet提升了特征表示能力，在五个真实SAR数据集上实现了SOTA性能，且训练时间更短。

ABSTRACT

Synthetic aperture radar (SAR) image change detection is a vital yet challenging task in the field of remote sensing image analysis. Most previous works adopt a self-supervised method which uses pseudo-labeled samples to guide subsequent training and testing. However, deep networks commonly require many high-quality samples for parameter optimization. The noise in pseudo-labels inevitably affects the final change detection performance. To solve the problem, we propose a Graph-based Knowledge Supplement Network (GKSNet). To be more specific, we extract discriminative information from the existing labeled dataset as additional knowledge, to suppress the adverse effects of noisy samples to some extent. Afterwards, we design a graph transfer module to distill contextual information attentively from the labeled dataset to the target dataset, which bridges feature correlation between datasets. To validate the proposed method, we conducted extensive experiments on four SAR datasets, which demonstrated the superiority of the proposed GKSNet as compared to several state-of-the-art baselines. Our codes are available at https://github.com/summitgao/SAR_CD_GKSNet.

研究动机与目标

• 解决自监督SAR变化检测中因高质量训练样本不足而导致的伪标签噪声问题，该问题会降低模型性能。
• 通过将标注数据集中的判别性知识迁移至目标数据集，在低数据量场景下提升特征表示能力。
• 设计一种基于图的机制，以建模并利用跨数据集的特征依赖关系，实现更鲁棒的变化检测。
• 在保持或提升检测准确率的同时，相比现有基于深度学习的方法，降低计算成本。
• 通过图迁移模块结合自适应相似度度量，融合跨数据集的上下文知识，提升泛化能力。

提出的方法

• 从标注的SAR数据集中提取判别性特征，并通过图卷积网络（GCNs）将其投影到图结构中。
• 通过图卷积进行消息传递，以精炼并传播节点间的知识，为目标数据集生成补充特征。
• 设计图迁移模块，实现从标注数据集到目标数据集的注意力特征蒸馏，捕捉相关联的上下文依赖关系。
• 在跨图融合中采用余弦相似度而非高斯核，因为实验对比表明余弦相似度性能更优。
• 通过图依赖融合机制，将标注数据集中的补充知识与目标数据集的特征进行融合。
• 采用交叉熵损失端到端训练模型，以优化目标数据集上的变化检测性能。

实验结果

研究问题

• RQ1 当训练数据有限且存在噪声时，从标注SAR数据集迁移知识是否能提升变化检测性能？
• RQ2 基于图的特征表示在建模跨数据集依赖关系方面对变化检测的有效性如何？
• RQ3 所提出的图迁移模块是否在减少伪标签噪声方面优于直接特征融合或简单知识注入方法？
• RQ4 相似度度量选择（如余弦相似度与高斯核）对跨图融合性能有何影响？
• RQ5 与现有基于深度学习的方法相比，该方法是否能在显著减少训练时间的同时实现SOTA准确率？

主要发现

• GKSNet在五个真实SAR数据集（Rome、Ottawa、Seoul、Florence和Bern）上均达到SOTA性能，优于多个SOTA基线方法。
• 模型平均训练时间缩短至133.99–157.24秒，显著快于DCNet（538.47秒）和DBN（492.01秒），即使使用更少样本。
• 消融实验表明，采用余弦相似度的跨图融合在复杂噪声区域中显著优于基线模型和无融合变体，检测准确率更高。
• 即使标注数据集与目标数据集的数据分布不同，GKSNet仍能提升性能，表明其具备强大的泛化能力。
• 特征可视化显示，GKSNet生成的特征簇更紧凑且更具判别性，表明其表示学习能力更强。
• 该模型仅需其他深度学习方法20–30%的训练样本即可实现优越性能，展现出极高的样本效率。