[论文解读] 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 4

一句话总结

WRICNet 提出了一种用于多分辨率遥感图像变化检测的新型深度学习架构，通过引入加权丰富尺度 Inception 模块实现浅层多尺度特征提取，并通过加权丰富尺度编码器模块实现深层多尺度表征。该方法通过自适应融合跨尺度特征，提高了边缘定位精度并减少了误报和漏报，在多分辨率数据集上显著提升了 F1 分数和 IoU，优于现有方法。

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.

研究动机与目标

• 解决现有变化检测模型在多分辨率遥感数据上表现不佳的局限性。
• 通过有效融合浅层与深层多尺度特征，改善特征表征能力。
• 通过为不同尺度的特征分配自适应权重，提升变化边界处的检测精度。
• 减少非变化区域的误报以及实际变化区域的漏检。
• 开发一种鲁棒的模型架构，使其在遥感图像中不同分辨率水平下均具有良好的泛化能力。

提出的方法

• 引入加权丰富尺度 Inception 模块，从网络浅层提取并融合多尺度特征。
• 采用加权丰富尺度编码器模块，捕获具有多尺度上下文信息的分层深层特征。
• 应用可学习的类似注意力的权重，对特定尺度的特征进行加权，突出信息量丰富的尺度以实现更精确的边缘定位。
• 使用跳跃连接以保留空间细节并增强网络中的特征传播。
• 通过一种加权融合策略整合多尺度特征，根据尺度和上下文动态调整特征的重要性。
• 使用为变化检测任务优化的监督损失函数进行网络训练，重点关注边界精度和整体准确性。

实验结果

研究问题

• RQ1 统一的深度学习框架能否有效处理多分辨率遥感图像中的变化检测？
• RQ2 对多尺度特征进行自适应加权在多大程度上提升了检测精度，尤其是在变化边界处？
• RQ3 结合浅层与深层多尺度特征在多大程度上减少了变化检测中的误报和漏报？
• RQ4 所提出的架构在多样化的多分辨率数据集上是否比现有模型具有更好的泛化能力？
• RQ5 加权融合机制在复杂遥感场景下的整体性能中起到了多大贡献？

主要发现

• WRICNet 在多分辨率数据集上实现了卓越性能，显著减少了变化区域外的误报。
• 该模型提升了变化边界处的检测精度，实现了对变化区域更精确的分割。
• 定量结果表明，与最先进方法相比，F1 分数和交并比（IoU）均有显著提升。
• 消融实验验证了加权特征融合机制和训练策略对性能提升的关键作用。
• 该网络在不同图像分辨率下表现出鲁棒性，验证了其泛化能力。