SSLChange: A Self-supervised Change Detection Framework Based on Domain Adaptation

在传统的遥感变化检测（RS CD）程序中，首先需要进行大量的手动标注来维护后续完全监督训练的性能。然而，针对CD任务的像素级标注非常复杂且耗时。本文探讨了一种新颖的自监督对比框架，适用于RS CD任务，通过域适应器和分层对比头，促进模型准确捕捉空间、结构和语义信息。所提出的SSLChange框架仅通过采样单一时间样本来完成自学习，并可灵活地转移到主流CD基线。通过自监督对比学习，特征表示预训练可以直接基于原始数据进行，即使没有标注。在随后获得一定数量的标签后，预训练的特征将与标签对齐，以进行完全监督的微调。在不引入任何额外数据或标签的情况下，下游基线的性能将得到显着提升。在2个完整数据集和6个稀疏数据集上的实验结果表明，我们提出的SSLChange可以在数据受限的情况下提高CD基线的性能和稳定性。SSLChange的代码将在\url{https://github.com/MarsZhaoYT/SSLChange}上发布。

本文旨在解决遥感变化检测中像素级标注复杂且耗时的问题，提出一种新的自监督对比学习框架，通过域适配器和分层对比头，促进模型准确捕捉空间、结构和语义信息。

提出了一种自监督对比学习框架，可以直接在原始数据上进行特征表示预训练，无需标注，然后在获得一定数量的标签后，将预训练的特征与标签对齐进行完全监督的微调，从而提高下游基线的性能。

实验结果表明，该框架可以在数据有限的情况下提高CD基线的性能和稳定性。作者还提供了开源代码，可供使用。

在遥感变化检测领域，最近的相关研究包括：'Change Detection in Remote Sensing Images Using Conditional Generative Adversarial Networks'，'Change Detection in SAR Images Based on Deep Learning and Superpixel Segmentation'等。