论文标题：A Multiscale Graph Convolutional Network for Change Detection in Homogeneous and Heterogeneous Remote Sensing Images 论文链接：https://arxiv.org/abs/2102.08041 作者单位：国防科技大学 表现SOTA！性能优于GCNCD、DSIFN等网络。

遥感图像中的变化检测（CD）一直是研究的一个不断扩展的领域。迄今为止，尽管已经提出了使用各种技术的许多方法，但是由于难以有效地从具有不同图案的地面物体建模特征的难度，尤其是在高分辨率或异构情况下，准确识别变化仍然是巨大的挑战。本文提出了一种基于图卷积网络（GCN）和基于多尺度目标技术的新颖的CD方法，用于均质和异质图像。首先，通过预训练的U-net和多尺度分割获得面向对象的高级特征。将每个parcel视为一个节点，可以形成图表示，然后将其馈入提出的多尺度图卷积网络中，每个通道对应一个尺度。多尺度GCN会将标签信息从少量带标签的节点传播到其他未标签的节点。此外，为了全面合并来自多尺度GCN输出通道的信息，使用尺度之间的父子关系设计了一种融合策略。在光学，SAR和异构光学/ SAR数据集上的大量实验表明，该方法在定性和定量评估方面均优于某些最新方法。此外，还讨论了一些因素的影响。

内容中包含的图片若涉及版权问题，请及时与我们联系删除