Rethinking Remote Sensing Change Detection With A Mask View

遥感变化检测旨在比较记录同一区域但在不同时间戳拍摄的两个或多个图像，以定量和定性地评估地理实体和环境因素的变化。主流模型通常建立在像素级变化检测范例上，不能容忍由于复杂场景和成像条件的变化多样性。为了解决这个缺点，本文重新思考了掩模视图下的变化检测，并进一步提出了相应的解决方案：1）元架构CDMask和2）实例网络CDMaskFormer。CDMask的组件包括孪生主干、变化提取器、像素解码器、变换器解码器和规范化检测器，以确保掩膜检测范例的适当功能。由于变化查询可以根据双时序特征内容自适应更新，所以所提出的CDMask可以适应不同的潜在数据分布，从而准确地识别复杂场景中的感兴趣区域变化。因此，我们进一步提出了定制的变化检测任务实例网络CDMaskFormer，其中包括：（i）基于空间-时间卷积注意力的实例化变化提取器，可以同时捕获时空上下文和轻量级操作；和（ii）基于场景引导的轴向注意力实例化变换器解码器，可以提取更多的空间细节。CDMaskFormer在五个基准数据集上实现了最先进的性能，并取得了令人满意的效率-准确性平衡。代码可在https://github.com/xwmaxwma/rschange上获得。

本论文旨在解决遥感变化检测中像素级变化检测模型无法适应复杂场景和成像条件变化的问题。

论文提出了一种基于掩码视图的变化检测方法，包括Siamese主干网络、变化提取器、像素解码器、变换器解码器和归一化检测器等组件，能够适应不同的潜在数据分布，从而准确识别复杂场景中感兴趣的变化区域。

论文提出的CDMask和CDMaskFormer方法在五个基准数据集上取得了最先进的性能，并具有令人满意的效率-准确性平衡。CDMaskFormer还包括基于空时卷积注意力的实例化变化提取器和基于场景引导的轴向注意力实例化变换器解码器。代码已开源。

最近的相关研究包括：1）像素级变化检测模型的改进，如RefineNet和FCN；2）基于卷积神经网络的遥感图像分析方法，如DeepLab和U-Net。