Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection

合成孔径雷达（SAR）图像变化检测在遥感图像分析中至关重要。最近，注意力机制已被广泛应用于变化检测任务。然而，现有的注意力机制通常在Key和Value组件上采用平均池化等下采样操作以增强计算效率。这些不可逆的操作导致高频成分和其他重要信息的丢失。为解决这个限制，我们开发了基于小波的二维聚合网络（WBANet）用于SAR图像变化检测。我们设计了一个基于小波的自注意力块，其中包括对Key和Value组件进行离散小波变换和逆离散小波变换操作。因此，特征在不丢失信息的情况下经历了下采样，同时通过扩展感受野增强了局部上下文意识。此外，我们还结合了一个二维聚合模块，通过广播机制合并空间和通道信息，提高了非线性表示能力。在三个SAR数据集上的实验结果表明，我们的WBANet明显优于当代最先进的方法。具体而言，我们的WBANet在各自的数据集上分别达到了98.33％，96.65％和96.62％的正确分类百分比（PCC），突显了其卓越的性能。源代码可在\url{https://github.com/summitgao/WBANet}获得。

本论文旨在解决合成孔径雷达（SAR）图像变化检测中现有注意力机制所存在的高频信息和其他重要信息丢失的问题。

本文提出了基于小波的二维聚合网络（WBANet），设计了一个基于小波的自注意力块，通过在关键和值组件上进行离散小波变换和反离散小波变换操作，使特征在不丢失信息的情况下进行下采样，同时通过扩展感受野增强了局部上下文意识。

本文使用三个SAR数据集进行实验，WBANet的正确分类率（PCC）分别为98.33％，96.65％和96.62％，表现优异。此外，本文还开源了源代码。

最近的相关研究包括：“Change Detection in Synthetic Aperture Radar Images Using Deep Learning: A Review”和“Deep Learning for Change Detection in Synthetic Aperture Radar Images: A Review”。