Satellite Image Time Series Semantic Change Detection: Novel Architecture and Analysis of Domain Shift

卫星图像在监测地球表面变化、支持气候分析、生态系统评估和灾害响应等方面发挥着至关重要的作用。本文探讨了卫星图像时间序列的语义变化检测（SITS-SCD），包括变化检测和语义分割任务。我们提出了一种新的架构，改进了现有技术，随着参数数量的增加具有更好的可扩展性，并利用了长期的时间信息。然而，对于实际应用场景，模型需要适应空间和时间的变化，这仍然是一个挑战。我们使用DynamicEarthNet和MUDS在全球、多年的SITS数据集上分别研究了时间和空间变化对模型的影响。我们发现，空间域变化代表了最复杂的情况，而时间变化对于变化检测的性能影响更加明显，而不是语义分割，这凸显出它是一个值得进一步关注的具体问题。

本论文旨在解决利用卫星图像时间序列进行语义变化检测（SITS-SCD）的问题，该问题包括变化检测和语义分割任务。同时，该论文还探讨了模型如何适应空间和时间的变化，以在实际应用中具有更好的鲁棒性。

论文提出了一种新的架构，该架构在性能上优于现有技术，并随着参数数量的增加而扩展，利用了长期的时间信息。此外，论文还发现空间领域的变化是最复杂的，而时间领域的变化对变化检测的性能影响更大，这是一个值得进一步关注的问题。

该论文的实验使用了DynamicEarthNet和MUDS等数据集，并展示了模型在不同的空间和时间变化下的表现。此外，该论文的新架构还具有更好的可扩展性和鲁棒性，值得进一步研究。

在最近的研究中，也有一些关于卫星图像时间序列的语义变化检测的研究。例如，"A Survey of Semantic Change Detection in Remote Sensing Imagery"和"Semantic Change Detection in Very High Resolution Remote Sensing Images Using Deep Learning Techniques"等。