ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection

深度学习在遥感变化检测方面取得了显著的成功，旨在识别在不同时间戳获取的卫星图像对之间的语义变化区域。然而，现有的卷积神经网络和基于Transformer的框架往往难以准确地分割语义变化区域。此外，基于Transformer的方法在标准自注意力方面的二次计算复杂度，使其在具有有限训练数据的CD任务中不太实用。为了解决这些问题，我们提出了一种高效的变化检测框架，ELGC-Net，它利用丰富的上下文信息来精确估计变化区域，同时减小模型大小。我们的ELGC-Net包括一个连体编码器，融合模块和一个解码器。我们设计的重点是在编码器中引入了一个高效的局部-全局上下文聚合器模块，通过新颖的池化-转置（PT）注意力和深度卷积，捕捉增强的全局上下文和局部空间信息。 PT注意力利用池化操作进行稳健的特征提取，并通过转置注意力来最小化计算成本。在三个具有挑战性的CD数据集上的广泛实验表明，ELGC-Net优于现有方法。与最近的基于Transformer的CD方法（ChangeFormer）相比，ELGC-Net在LEVIR-CD数据集上的交集联合度指标上获得了1.4％的增益，同时显着减少了可训练参数。我们提出的ELGC-Net在遥感变化检测基准测试中设置了新的最先进性能。最后，我们还介绍了ELGC-Net-LW，这是一种更轻量级的变体，具有显着降低的计算复杂度，适用于资源受限的设置，同时实现可比较的性能。项目网址 https://github.com/techmn/elgcnet。

本论文旨在解决遥感变化检测中现有的卷积神经网络和变压器模型在准确分割语义变化区域方面存在的问题，并提出一种高效的ELGC-Net框架，以捕捉丰富的上下文信息，同时减小模型大小。

论文提出了一种高效的ELGC-Net框架，其中包括一个Siamese编码器、融合模块和解码器，并引入了一种高效的局部全局上下文聚合器模块，通过新颖的池化-转置（PT）注意力和深度卷积，捕获增强的全局上下文和局部空间信息。

论文在三个具有挑战性的遥感变化检测数据集上进行了广泛的实验，证明ELGC-Net优于现有方法。与最近的变压器模型（ChangeFormer）相比，ELGC-Net在LEVIR-CD数据集上的交并比指标提高了1.4％，同时显著减少了可训练参数。此外，论文还介绍了ELGC-Net-LW，这是一种轻量级变体，适用于资源受限的环境，同时实现了可比较的性能。

在遥感变化检测领域，最近的相关研究包括：“ChangeFormer: A Transformer-Based Framework for Change Detection in Satellite Images”和“Multi-Task Learning for Change Detection in Satellite Imagery”。