MineNetCD: A Benchmark for Global Mining Change Detection on Remote Sensing Imagery

对于工业控制、环境管理和监管合规性而言，监测采矿活动引发的变化至关重要，但由于采矿场所通常位于广阔而偏远的地区，这也带来了重大挑战。遥感技术越来越不可或缺，以便随着时间的推移检测和分析这些变化。因此，本文介绍了MineNetCD，这是一个全面的基准，旨在利用遥感图像进行全球采矿变化检测。该基准包括三个关键贡献。首先，我们建立了一个全球采矿变化检测数据集，其中包括来自全球100个采矿场所的70,000多个成对高分辨率遥感图像补丁和像素级注释。其次，我们开发了一种基于变化感知快速傅里叶变换（ChangeFFT）模块的新型基准模型，该模型通过利用频域中特征的基本频谱成分和捕获双时相特征差异的通道相关性来增强各种骨干网络，从而学习变化感知表示。第三，我们构建了一个统一的变化检测（UCD）框架，集成了13种先进的变化检测模型。该框架旨在进行简化和高效的处理，利用HuggingFace托管的云平台。进行了广泛的实验，以证明所提出的基准模型相对于12种最先进的变化检测方法具有卓越的性能。对模块化骨干网络的经验研究全面确认了不同表示学习者在变化检测方面的有效性。本研究在遥感和变化检测领域取得了重大进展，为未来全球采矿监测的研究和应用提供了强大的资源。数据集和代码可通过链接获取。

MineNetCD试图解决远程矿区变化检测的问题，因为这是工业控制、环境管理和监管合规性的关键问题，但由于矿区通常位于偏远地区，因此检测和分析这些变化变得非常困难。

MineNetCD的关键思路是建立一个全球矿业变化检测数据集，并提出了一种基于ChangeFFT模块的新型基准模型，该模型利用频域内的特征关键谱成分增强各种骨干网络，捕捉双时相特征差异的通道相关性以学习具有变化感知能力的表示。

这篇论文的亮点包括建立了一个全球矿业变化检测数据集，提出了一个新的基准模型和一个统一的变化检测框架，该框架集成了13个先进的变化检测模型。实验结果表明，该基准模型比12个最先进的变化检测方法更优。此外，作者还开源了数据集和代码。

在这个领域中，最近的相关研究包括：'Deep Learning for Change Detection in Satellite Imagery: A Systematic Review'，'Mining land-use change and its impact on soil organic carbon in China using a novel land-use data product'，'Land use and land cover change detection in the Brazilian Amazon using object-based classification techniques'等。