HANet: A Hierarchical Attention Network for Change Detection With Bitemporal Very-High-Resolution Remote Sensing Images

受深度学习技术发展的影响，基于自动特征提取的深度学习算法在变化检测任务上取得了显著的性能。然而，现有的基于深度学习的变化检测方法的性能受到了变化像素和未变化像素之间不平衡的影响。为了解决这个问题，本文提出了一种渐进前景平衡采样策略，该策略不添加变化信息，有助于模型在早期训练过程中准确学习变化像素的特征，从而提高检测性能。此外，我们设计了一种判别式孪生网络，分层注意力网络（HANet），它可以集成多尺度特征并细化详细特征。HANet的主要部分是HAN模块，它是一种轻量级和有效的自注意机制。在两个极度不平衡标签的CD数据集上进行的大量实验和消融研究验证了所提出方法的有效性和效率。

解决问题：论文旨在解决现有深度学习方法在变化检测任务中因变化和未变化像素之间的不平衡而受到的性能限制。

关键思路：论文提出了一种渐进的前景平衡采样策略，通过在早期训练过程中学习变化像素的特征来改善检测性能。此外，论文还设计了一种多尺度特征集成和细节特征精炼的分层注意力网络（HANet），其中的HAN模块是一种轻量级且有效的自注意机制。

其他亮点：论文在两个极度不平衡的变化检测数据集上进行了广泛的实验和消融研究，验证了所提出方法的有效性和效率。论文还提供了开源代码。值得进一步研究的工作包括如何将该方法应用于其他计算机视觉任务。

相关研究：最近的相关研究包括“基于深度学习的变化检测方法综述”和“基于深度学习的遥感图像变化检测综述”。