Change Detection on Remote Sensing Images Using Dual-Branch Multilevel Intertemporal Network论文阅读笔记

随着卷积神经网络的不断创新，遥感图像的变化检测（CD）如雨后春笋般涌现。随着技术的高速升级，识别前景-背景类别不平衡变化的障碍仍然存在，尤其是在样本有限和大量干扰的情况下，如季节性周转、照明强度和建筑改造。此外，到目前为止，这两种现成的方法都没有探讨在访问差异特征之前在双时态图像之间直接交互的可行性。在本文中，我们提出了一个双分支多级跨期网络（DMINet） 来高效地导出变化表示。具体来说，通过将自注意（SelfAtt）和交叉注意（CrossAtt）统一在一个模块中，我们提出了一个跨期联合注意（JointAtt）块来控制每个输入的全局特征分布， 激发层内表示之间的信息耦合，同时抑制与任务无关的干扰。此外，更侧重于差异特征的检测，通过关注两个问题来设计可靠的架构，即使用减法和级联的差异获取以及使用增量特征对齐的多级差异聚合。 基于没有复杂结构的朴素主干，即ResNet18，我们的模型在四个CD数据集上优于其他现有技术（SOTA）方法，尤其是在样本很少的情况下。此外，这一成就是用较低的管理费用实现的。

所提出的DMINet的架构如图1所示，它通过调度双时态图像之间的早期特征交互，为RS图像上的CD任务提供了一个有吸引力且高效的解决方案。具体而言，双时态RS图像首先由暹罗预训练的CNN（ResNet18）的两个平行分支提取。在我们的实现中，在ResNet18的前三个阶段，采用了空间大小为64×64、32×32和16×16的多级特征图。接下来，以相互引导彼此注意力分布的方式，使用轻量级编码器，即跨期Jo