科研動(dòng)態(tài)
少樣本變化檢測(cè):一種通用的類(lèi)無(wú)關(guān)變化檢測(cè)算法
中文題目：少樣本變化檢測(cè):一種通用的類(lèi)無(wú)關(guān)變化檢測(cè)算法
論文題目：Few-Shot Change Detection: A General Class-independent Change Detection Algorithm
錄用期刊/會(huì)議：CCDC2025 （CAA A類(lèi)會(huì)議）
錄用時(shí)間：2025.1.2
作者列表：
1)曹智娟 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 控制科學(xué)與工程 博21級(jí)
2)劉建偉 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系 教師
研究動(dòng)機(jī):
1)注釋的成本高得令人望而卻步。經(jīng)典的監(jiān)督學(xué)習(xí)模型依賴(lài)于數(shù)據(jù)的標(biāo)簽，非常費(fèi)時(shí)費(fèi)力；無(wú)監(jiān)督學(xué)習(xí)將檢測(cè)所有變化的土地覆蓋類(lèi)型，語(yǔ)義變化檢測(cè)無(wú)法實(shí)現(xiàn)。
2)現(xiàn)有的變化檢測(cè)數(shù)據(jù)集無(wú)法完成單一土地覆蓋類(lèi)型的檢測(cè)任務(wù)。根據(jù)眾所周知的變化檢測(cè)數(shù)據(jù)集(CDD)，圖像的標(biāo)簽僅考慮一對(duì)圖像中的所有類(lèi)型變化，包括建筑物、車(chē)輛等。顯然，這種設(shè)置是合理的，但它未能解決和充分反映單一土地覆蓋類(lèi)型的變化。同樣，語(yǔ)義變化檢測(cè)數(shù)據(jù)集提供了不同土地覆蓋類(lèi)型的類(lèi)別。如果我們打算只關(guān)注單一土地覆蓋類(lèi)型的變化，如“建筑物消失”、“樹(shù)木出現(xiàn)”，現(xiàn)有數(shù)據(jù)集無(wú)法檢測(cè)單一土地覆蓋類(lèi)型的變化。深度學(xué)習(xí)算法需要大量高質(zhì)量的標(biāo)注樣本才能達(dá)到良好的性能。當(dāng)訓(xùn)練樣本數(shù)量較少時(shí)，深度學(xué)習(xí)的迭代優(yōu)化過(guò)程往往會(huì)陷入過(guò)擬合狀態(tài)，導(dǎo)致檢測(cè)性能急劇下降。為了解決這些問(wèn)題，少樣本學(xué)習(xí)（FSL）的特點(diǎn)是模型只需要少量的標(biāo)注樣本就能獲得較好的結(jié)果。準(zhǔn)確地說(shuō)，F(xiàn)SL的基本思想是訓(xùn)練網(wǎng)絡(luò)從大量的訓(xùn)練集中學(xué)習(xí)先驗(yàn)知識(shí)，然后利用已有的先驗(yàn)知識(shí)指導(dǎo)模型在測(cè)試集中更快地學(xué)習(xí)。訓(xùn)練集和測(cè)試集中的類(lèi)別之間沒(méi)有重疊。
主要內(nèi)容:
圖1 一般的改變檢測(cè)框架
圖2 本文提出的學(xué)習(xí)場(chǎng)景
圖3 流程圖
結(jié)論:
本文提出了FSCD模型，解決了在多種土地覆蓋類(lèi)型變化情況下檢測(cè)單一土地覆蓋類(lèi)型變化的問(wèn)題。對(duì)于新的變化檢測(cè)類(lèi)，F(xiàn)SCD只需要非常少量的帶注釋的圖像來(lái)生成任意兩幅圖像在不同時(shí)間的變化圖。FSCD是一個(gè)兩部門(mén)模型。一個(gè)分支使用ResNet18提取一對(duì)待檢測(cè)圖像的特征，另一個(gè)分支使用ResNet18提取支持圖像的特征，然后使用標(biāo)簽信息提取變化部分的全局特征。FSCD通過(guò)比較待檢測(cè)的特征和變化部分的特征來(lái)判斷像素是否發(fā)生了變化。雙線(xiàn)性插值用于上采樣，使得輸出圖像的分辨率與輸入圖像的分辨率相同。該模型通過(guò)二值交叉熵?fù)p失進(jìn)行優(yōu)化。我們?cè)赟SECOND數(shù)據(jù)集上使用FSCD模型，通過(guò)11組隨機(jī)不重復(fù)的單次實(shí)驗(yàn)驗(yàn)證了模型的有效性，并且對(duì)支持圖像的選擇要求相對(duì)較低，即任何支持圖像都可以幫助模型產(chǎn)生更好的預(yù)測(cè)效果。同時(shí)，10次拍攝實(shí)驗(yàn)的f 1值高于5次拍攝實(shí)驗(yàn)，5次拍攝實(shí)驗(yàn)的F1值高于1次拍攝實(shí)驗(yàn)，說(shuō)明使用的支持圖像越多，學(xué)習(xí)到的信息就越多。將來(lái)，我們可以引入距離度量函數(shù)來(lái)度量待檢測(cè)圖像的特征與從支持圖像中提取的變化部分的特征之間的相似性。
作者簡(jiǎn)介:
劉建偉，教師。