[论文解读] Hi-UCD: A Large-scale Dataset for Urban Semantic Change Detection in Remote Sensing Imagery

Shiqi Tian, Ailong Ma+2 more|arXiv (Cornell University)|Nov 6, 2020

Remote-Sensing Image Classification参考文献 22被引用 40

一句话总结

Hi-UCD 介绍了一个大规模的超高分辨率城市影像数据集，包含三个时间阶段和 9 个地物覆盖类别，并附有传统方法和深度学习方法的基准。它使得精细化的多时态城市变化研究成为可能。

ABSTRACT

With the acceleration of the urban expansion, urban change detection (UCD), as a significant and effective approach, can provide the change information with respect to geospatial objects for dynamical urban analysis. However, existing datasets suffer from three bottlenecks: (1) lack of high spatial resolution images; (2) lack of semantic annotation; (3) lack of long-range multi-temporal images. In this paper, we propose a large scale benchmark dataset, termed Hi-UCD. This dataset uses aerial images with a spatial resolution of 0.1 m provided by the Estonia Land Board, including three-time phases, and semantically annotated with nine classes of land cover to obtain the direction of ground objects change. It can be used for detecting and analyzing refined urban changes. We benchmark our dataset using some classic methods in binary and multi-class change detection. Experimental results show that Hi-UCD is challenging yet useful. We hope the Hi-UCD can become a strong benchmark accelerating future research.

研究动机与目标

• 解决用于城市变化检测（UCD）的高空间分辨率数据、语义注释和长序列多时相图像不足的问题。
• 创建一个具有超高分辨率和多时相覆盖的大规模、语义标注的 UCD 数据集。
• 提供一个统一基准，使用传统方法和深度学习方法对 Hi-UCD 进行二值和多类别变化检测。
• 通过语义标签和三年时间对来分析更精细的城市变化。

提出的方法

• 收集爱沙尼亚塔林市的超高分辨率航空影像，GSD 为 0.1 m。
• 将 9 个地物覆盖类别标注并映射到爱沙尼亚地形数据库，生成跨年度的语义变化图（2017-2018、2018-2019、2017-2019）。
• 切片提取为 1024x1024 的块，并筛选出变化像素大于 200 的块，形成数据集。
• 为每个区域提供三个时态对（两年变化和三年变化）以及具有季节一致性的正射校正图像。
• 基准一组二值和多类别变化检测方法，包括传统方法（CVA, MAD, IRMAD）和深度学习方法（FC_Siam_diff, FC_Siam_conc, FC_EF, FC_EF_Res, Siam_Res_EF; Deeplab v3/v3+, PSPNet, FarSeg）。
• 采用标准的训练/评估设置（SGD，学习率 0.01，多项式衰减，批量大小 4，迭代 10k 或 20k，数据增强）。

实验结果

研究问题

• RQ1 具有语义注释的超高分辨率（0.1 m）航空影像是否能检测到比现有数据集更细粒度的城市变化？
• RQ2 在 Hi-UCD 上，传统变化检测方法与深度学习方法在二值和多类别任务上的表现如何？
• RQ3 将最先进的语义分割模型应用于 Hi-UCD 的多时态数据时，性能与复杂度的权衡是什么？

主要发现

• Hi-UCD 提供 359 对图像（2017-2018），386 对（2018-2019），以及 548 对（2017-2019），附带语义和变化图。
• 在 Hi-UCD 上，深度学习方法在所有评估指标上显著优于传统变化检测方法。
• 在二值变化方法中，Siamese 与基于 EF 的网络取得最强表现，其 OA 和 IoU 高于经典 CVA/MAD/IRMAD 基线。
• 对于多类别变化检测，语义分割模型（如 Deeplab v3 家族、PSPNet、FarSeg）提供竞争性结果，尽管计算成本更高且对分类准确性敏感。
• Hi-UCD 的超高分辨率（0.1 m）揭示细小的空间细节，并使变化边界更精确地界定，同时三相的多时态数据支持城市动态的时序分析。