高光谱变化检测论文解读分享之基时相差异引导网络的高光谱影像变化检测

IJRS 2023：基时相差异引导网络的高光谱影像变化检测

题目

Temporal difference-guided network for hyperspectral image change detection

作者

Zhonghao Chen, Yuyang Wang, Hongmin Gao, Yao Ding, Qiqiang Zhong, Danfeng Hong and Bing Zhang

关键词

Hyperspectral (HS) image; change detection (CD); convolutional neural networks (CNNs); convolutional gated recurrent unit; temporal difference-guided.

研究动机

网络阶段性变化信息利用率有待提高

模型

目前，基于卷积神经网络的高光谱图像变化检测方法是高光谱图像变化检测的研究热点。然而，传统的基于卷积神经网络的高光谱图像变化检测算法通常是在决策层比较从双时相图像中提取的深层特征来实现检测的，往往不能充分利用网络在不同层次提取的特征。此外，双时相图像中不可避免地存在大量的冗余特征，这严重影响了基于卷积神经网络的方法的训练效率。针对这两个问题，我们提出了一种基于时间差分制导的高光谱图像变化检测网络TDGN，该网络具有较高的训练效率该方法首先从双时相图像中分层提取丰富的光谱特征，然后利用细化的卷积门控递归单位块在空间维度上产生两幅图像在不同层次上的差值，并将不同层次的差值融合到最终的检测中，更重要的是，为了提高主干网络的特征提取效率，还利用得到的各级差值来生成变化权重来指导下一阶段的特征提取。最后，TDGN可以充分利用网络在不同层次上获得的时间差分，同时进一步利用这些信息来促进网络对变化特征的注意和提取。

亮点

1. 为了避免使用深度cnn提取HS图像特征时出现的空间分辨率衰减问题，该模型将仅以局部分支的方式探索空间特征。因此，随着网络的加深，特征图的空间分辨率不会被破坏。
2. 提取的双时间图像的差值不仅可以用于最终决策，还可以进一步指导网络提取更有价值的信息。
3. 引入ConvGRU设计了HSI-CD的差异提取模块。这是HSI-CD首次采用ConvGRU。

论文以及代码

论文链接: link
代码链接: link