Single-Temporal Supervised Learning for Universal Remote Sensing Change Detection

本文提出了一种新的单时间监督学习（STAR）方法，用于普适的遥感变化检测。传统的双时间监督学习方法需要大量标记变化区域的高分辨率遥感图像对，但这种标记工作非常昂贵且耗时。相比之下，STAR 利用非成对图像之间的变化作为监督信号，仅使用非成对标记图像就能训练出高准确性的变化检测器，并且能够适用于实际的双时间遥感图像对。为了展示 STAR 的灵活性和可扩展性，本文设计了一种简单而统一的变化检测器 ChangeStar2，能够在一个架构中处理二元变化检测、物体变化检测和语义变化检测。ChangeStar2 在八个公共遥感变化检测数据集上展现出最先进的性能，覆盖了上述两种监督设置、多种变化类型和多种场景。代码可在 https://github.com/Z-Zheng/pytorch-change-models 上获得。

本论文旨在提出一种新的单时相监督学习（STAR）方法，用于解决大规模双时相高空间分辨率遥感图像对中的变化检测问题，通过利用未配对图像之间的变化作为监督信号，降低了标注成本和工作量。

该论文的关键思路是利用未配对图像之间的变化作为监督信号，提出了一种新的单时相监督学习（STAR）方法，可用于大规模双时相高空间分辨率遥感图像对中的变化检测问题，该方法可以在不需要标注大量成对图像的情况下，训练出高精度的变化检测器，并且可以推广到真实世界的双时相图像对。

该论文的亮点包括：1. 提出了一种新的单时相监督学习（STAR）方法，用于解决大规模双时相高空间分辨率遥感图像对中的变化检测问题；2. 设计了一个简单而统一的变化检测器ChangeStar2，可以处理二元变化检测、目标变化检测和语义变化检测；3. 在8个公共遥感变化检测数据集上进行了实验，覆盖了以上两种监督设置、多种变化类型和多种场景，并取得了最先进的性能；4. 提供了开源代码。

在这个领域中，最近的相关研究包括：1. 'Deep learning for remote sensing image processing: A survey'；2. 'Change detection in remote sensing images using conditional generative adversarial networks'；3. 'A review of deep learning for object detection in images'等。