Change Guiding Network: Incorporating Change Prior to Guide Change Detection in Remote Sensing Imagery

自动化人工智能算法和遥感仪器的快速发展使变化检测（CD）任务受益匪浅。然而，精确检测仍有很大的空间，特别是对于变化特征的边缘完整性和内部空洞现象。为了解决这些问题，我们设计了Change Guiding Network（CGNet），以解决先前方法采用的传统U-Net结构中变化特征表达不足的问题，这会导致不准确的边缘检测和内部空洞。使用具有丰富语义信息的深度特征生成变化图，并将其用作先验信息来指导多尺度特征融合，从而提高变化特征的表达能力。同时，我们提出了一个自我注意模块，称为Change Guide Module（CGM），它可以有效地捕捉像素之间的长距离依赖关系，并有效地克服传统卷积神经网络的感受野不足的问题。在四个主要的CD数据集上，我们验证了CGNet的有用性和效率，并进行了大量的实验和消融研究，证明了CGNet的有效性。我们将在https://github.com/ChengxiHAN/CGNet-CD开源我们的代码。

本论文旨在解决变化检测中存在的边缘和内部空洞问题，通过设计Change Guiding Network (CGNet)来提高变化特征的表达能力。

CGNet采用生成变化图来作为先验信息，引导多尺度特征融合，同时引入自注意力机制Change Guide Module (CGM)来捕捉像素之间的长距离依赖关系。

论文在四个主要变化检测数据集上验证了CGNet的有效性和效率，大量实验和消融研究证明了CGNet的有效性。论文将代码开源于https://github.com/ChengxiHAN/CGNet-CD。

相关研究包括：1. Change detection in remote sensing images using conditional generative adversarial network and variational autoencoder; 2. A deep learning-based change detection method for high-resolution remote sensing images; 3. Change detection in multispectral remote sensing images based on deep learning features.