Weakly Supervised Change Detection via Knowledge Distillation and Multiscale Sigmoid Inference

这段摘要介绍了变化检测技术在遥感、灾害管理和城市管理等领域的广泛应用。然而，现有的变化检测方法大多需要像素级别的标签，因此非常耗费人力。为了解决这个问题，研究人员提出了一种新的弱监督变化检测技术，利用图像级别的标签，通过知识蒸馏和多尺度Sigmoid推理（KD-MSI）实现。在这种方法中，Class Activation Maps (CAM)不仅用于生成变化概率图，还用作知识蒸馏过程的基础。通过教师和学生网络的联合训练策略，使得学生网络能够更准确地根据图像级别的标签标记出潜在的变化区域。此外，研究人员还设计了一个多尺度Sigmoid推理（MSI）模块作为后处理步骤，进一步优化了经过训练的学生网络生成的变化概率图。实验结果表明，这种集成训练策略的方法在三个公共数据集上（WHU-CD、DSIFN-CD和LEVIR-CD）表现显著优于现有技术水平。

论文旨在解决遥感图像变化检测中需要大量像素级标签的问题，提出一种基于知识蒸馏和多尺度Sigmoid推理的弱监督变化检测技术。

论文的关键思路是利用基于类激活映射（CAM）的知识蒸馏方法，通过教师网络和学生网络的联合训练，从图像级标签中更准确地突出潜在的变化区域。同时，使用多尺度Sigmoid推理模块对训练好的学生网络的变化概率图进行后处理，进一步提高检测性能。

论文在三个公共数据集上进行了实验验证，即WHU-CD、DSIFN-CD和LEVIR-CD，结果表明，该方法在整体性能和像素级性能上都显著优于现有的监督式和半监督式方法。此外，论文提供了开源代码，为后续研究提供了参考。

最近的相关研究包括基于深度学习的监督式和半监督式变化检测方法，例如《Change Detection in Remote Sensing Images Using Conditional Generative Adversarial Networks》、《Semi-Supervised Change Detection in Remote Sensing Images Based on Deep Representation Learning》等。