[论文解读] Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review

Guangliang Cheng, Yunmeng Huang+5 more|arXiv (Cornell University)|May 9, 2023

Remote-Sensing Image Classification被引用 5

一句话总结

本文全面回顾了过去十年遥感变化检测方法的发展，重点聚焦于深度学习的进展，包括卷积神经网络（CNNs）、注意力机制和Transformer模型。文章按算法粒度、监督模式和学习框架对方法进行了系统分类，识别出关键挑战与最先进性能，并提出了未来研究方向，如基础模型、合成数据生成和多模态融合，以提升准确性和泛化能力。

ABSTRACT

Change detection is an essential and widely utilized task in remote sensing that aims to detect and analyze changes occurring in the same geographical area over time, which has broad applications in urban development, agricultural surveys, and land cover monitoring. Detecting changes in remote sensing images is a complex challenge due to various factors, including variations in image quality, noise, registration errors, illumination changes, complex landscapes, and spatial heterogeneity. In recent years, deep learning has emerged as a powerful tool for feature extraction and addressing these challenges. Its versatility has resulted in its widespread adoption for numerous image-processing tasks. This paper presents a comprehensive survey of significant advancements in change detection for remote sensing images over the past decade. We first introduce some preliminary knowledge for the change detection task, such as problem definition, datasets, evaluation metrics, and transformer basics, as well as provide a detailed taxonomy of existing algorithms from three different perspectives: algorithm granularity, supervision modes, and learning frameworks in the methodology section. This survey enables readers to gain systematic knowledge of change detection tasks from various angles. We then summarize the state-of-the-art performance on several dominant change detection datasets, providing insights into the strengths and limitations of existing algorithms. Based on our survey, some future research directions for change detection in remote sensing are well identified. This survey paper will shed some light on the community and inspire further research efforts in the change detection task.

研究动机与目标

• 提供过去十年基于深度学习的遥感变化检测方法的系统性与最新概述。
• 从三个维度对现有方法进行分类：算法粒度、监督模式和学习框架，以实现对领域的结构化理解。
• 总结主要基准数据集上的最先进性能，突出当前方法的优势与局限性。
• 识别关键挑战，如图像质量差异、配准误差和域差距，并提出切实可行的未来研究方向。
• 通过概述新兴趋势（如基础模型、合成数据生成和多模态数据融合）激发进一步研究。

提出的方法

• 本文对2013年至2023年间关于遥感变化检测的230余项研究进行了全面调查，重点聚焦于基于深度学习的方法。
• 提出一个三维分类体系：算法粒度（像素级、特征级、实例级）、监督模式（有监督、弱有监督、自监督、无监督）和学习框架（孪生网络、自编码器、Transformer等）。
• 方法论部分详细阐述了注意力机制和Transformer中的自注意力机制在建模图像对中长距离空间与时间依赖关系中的应用。
• 采用F1-score、IoU和Kappa系数等标准指标，在DIAC、WHU和DFC2018等标准数据集上评估性能。
• 结合近期基础模型（如Segment Anything、Painter）的洞见，提出未来集成策略以提升零样本泛化能力。
• 倡导利用基于扩散的生成模型进行数据增强，以生成高质量的合成训练数据，从而减小域差距。

实验结果

研究问题

• RQ1 过去十年中，深度学习方法在遥感变化检测中的设计与性能如何演变？
• RQ2 在变化检测中，不同监督模式（有监督、弱有监督、自监督、无监督）之间的关键差异与权衡是什么？
• RQ3 注意力机制与Transformer相比传统CNN和手工特征，在变化检测中有哪些改进？
• RQ4 当前最先进模型的最显著局限性是什么，特别是在域泛化能力和对图像质量变化的鲁棒性方面？
• RQ5 未来研究方向中，如基础模型、合成数据和多模态学习，哪些最具潜力推动该领域发展？

主要发现

• Transformer与自注意力机制通过建模长距离空间与时间依赖关系，显著提升了性能，在复杂场景中优于标准CNN。
• 自监督与弱有监督方法在减少对大规模标注数据依赖方面展现出强大潜力，提升了跨域泛化能力。
• 在DFC2018与WHU等基准数据集上，最先进模型在理想条件下F1-score超过90%，但在域分布偏移或低分辨率输入下性能显著下降。
• 压缩技术如知识蒸馏与量化可将模型大小减少高达70%，同时保持极小的精度损失，使模型可在边缘设备上部署。
• 基于扩散的生成模型可生成高保真度的合成图像对，域差距极小，支持无需真实标注数据的联合训练。
• 基础模型如Segment Anything（SAM）可适配至遥感领域，实现零样本变化检测，预示着更通用、可扩展模型的发展路径。