遥感变化检测(RS-CD)旨在从多时相遥感图像(MT-RSIs)中检测出相关的变化，这有助于各种遥感应用，如土地覆盖、土地利用、人类发展分析和灾害响应。现有的RS-CD方法的表现归因于在大型注释数据集上进行训练。此外，大多数这些模型在训练和测试数据集之间存在领域差距时，训练的模型通常表现非常糟糕，且不易转移。本文提出了一种基于深度度量学习的无监督CD方法，可以应对这两个问题。给定MT-RSI，所提出的方法通过迭代优化无监督CD损失来生成相应的变化概率图，而无需对大型数据集进行训练。我们的无监督CD方法由两个相互连接的深度网络组成，分别是深度变化概率生成器(D-CPG)和深度特征提取器(D-FE)。D-CPG被设计为预测给定MT-RSI的变化和不变概率图，而D-FE则用于提取MT-RSI的深度特征，这些特征将在所提出的无监督CD损失中进一步使用。我们利用迁移学习能力来初始化D-FE的参数。通过最小化所提出的无监督“相似-不相似损失”，我们迭代地优化给定MT-RSI的D-CPG和D-FE的参数。该损失受度量学习原理启发，我们在两时相图像域和它们的深度特征域中同时最大化变化两两像素的距离，同时最小化不变两两像素的距离。在三个CD数据集上进行的实验表明，我们的无监督CD方法在超越最先进的有监督和无监督CD方法方面取得了显着的改进。代码可在 https://github.com/wgcban/Metric-CD 上获得。
论文链接：http://arxiv.org/pdf/2303.09536v1
更多计算机论文：http://cspaper.cn/