【高校科研前沿】北师大陈晋教授团队在遥感顶刊发表最新成果:ClearSCD模型:在高空间分辨率遥感影像中综合利用语义和变化关系进行语义变化检测

本文主要是介绍【高校科研前沿】北师大陈晋教授团队在遥感顶刊发表最新成果:ClearSCD模型:在高空间分辨率遥感影像中综合利用语义和变化关系进行语义变化检测,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

01文章简介

论文名称The ClearSCD model: Comprehensively leveraging semantics and change relationships for semantic change detection in high spatial resolution remote sensing imagery(ClearSCD模型:在高空间分辨率遥感影像中综合利用语义和变化关系进行语义变化检测)

第一作者及通讯作者:Kai Tang;陈晋(教授)

第一作者及通讯作者单位:北京师范大学地理学部

文章发表期刊:《ISPRS Journal of Photogrammetry and Remote Sensing》(遥感领域顶级期刊&中科院1区Top期刊|最新影响因子:12.4)

期刊平均审稿速度:9个月(参考)

02 研究内容

1.文章摘要

        地球表面持续存在着众多人为和自然变化。高空间分辨率遥感图像在全球范围内准确揭示这些变化提供了独特的视角。利用高空间分辨率遥感图像进行语义变化检测(SCD)已成为在语义层面跟踪地表类型演变的常用技术。然而,现有的语义变化检测方法很少模拟语义与变化之间的依赖关系,导致检测复杂地表变化的精度不理想。针对这一局限性,该研究提出了一个多任务学习模型ClearSCD。该模型通过三个创新模块利用语义与变化之间的互利关系。第一个模块将不同时间的语义特征解释为表面类型的后验概率,以检测二元变化信息;第二个模块学习地表类型随时间变化与二元变化信息之间的相关性;第三个模块使用语义增强对比学习模块,以提高其他两个模块的性能。该研究在两个大型基准数据集(Hi-UCD mini和Hi-UCD)和一个真实应用场景(称为LsSCD)中测试了ClearSCD,结果表明ClearSCD在mIoUsc指标上比现有方法高出1.23% 至19.34%。此外,消融实验证明了三个新模块对性能提高的独特贡献。在不同变化场景下的高计算效率和强大性能表明ClearSCD是利用高空间分辨率遥感图像探测地表语义变化信息的实用工具。代码和LsSCD数据集可在https://github.com/tangkai-RS/ClearSCD获取。

2.研究背景

        最近,基于深度学习的多任务学习模型在SCD中显示出巨大的潜力,因为它可以有效地克服变化向量分析方法中的目标分离问题,即作为单独的目标获取二元变化和语义信息,以及通过参数和特征共享以及多分支网络的同时优化来克服后分类比较方法的误差积累问题。此外,通过间接地从两个时间点的地表类型(LULC)语义派生出“from-to”类型,这种方法允许使用比“from-to类型样本更容易获得的LULC样本进行模型训练。然而,基于深度学习的多任务SCD模型仍然存在不足。

        首先,尽管目前基于深度学习的多任务学习SCD模型利用了语义信息来提高二元变化分割的性能,但是忽略了二元变化信息在优化语义信息方面的潜力。即现有方法通过融合语义特征来获得二元变化信息,而不再使用二元变化信息来建立双时态语义的相关性。模型在两个方面之间的不完全连接可能导致两个语义分割分支输出的语义类型与来自变化解码器的二元变化信息不匹配。具体来说,变化解码器识别的非变化区域在两个语义分割分支上可能表现出不同的LULC类型,因为它们每次都是由两个时刻的语义解码器独立输出的。类似地,由变化解码器输出的变化区域在两个时刻可以具有相同的LULC类型。其次,变化解码器融合两个时刻的语义编码器提取的高维深度特征来输出二元变化信息。这些特征缺乏明确的语义,阻碍了解码器利用变化信息与语义信息之间的因果关系。这种复杂性使得优化过程的计算量很大,使得模型不实用。第三,准确的语义信息是多任务学习SCD方法性能的基础。然而,现有的方法通常只使用交叉熵损失函数进行语义优化,其优化重点是类间边界,而忽略了类之间的相似度度量。这种局限性在高空间分辨率影像中尤为突出,因为复杂的地表景观和不同的成像条件会进一步混淆语义。

     为了解决现有基于多任务学习的SCD模型的三个不足,该研究提出了一个综合利用语义和变化关系的语义变化检测模型(Comprehensively leveraging semantics and change relationships for semantic change detection),称为ClearSCD。

3.研究方法

        ClearSCD的灵感来自于多任务学习模型中语义和变化信息的相互强化。ClearSCD的主要创新如下:首先,该研究引入了一个监督语义增强对比学习(SACL)模块,该模块利用局部和全局数据特征,以及跨时间差异来增强语义特征的类内相似性和类间可分性。其次,设计了双时态语义相关性捕获机制(BSCC),其使用变化分支的输出来反向细化双时相语义信息。最后,提出了深度分类后验概率空间模块(deep CVAPS),该模块通过整合语义后验概率代替高维特征来进行二元变化信息解码。

图片

图1.ClearSCD总体框架

图片

图2.SACL模块示意图

图片

图3.Deep CVAPS模块示意图

图片

图4.BSCC机制示意图

4.研究主要结果

        该研究在Hi-UCD和Hi-UCD mini两个大型基准数据集上进行验证。同时,为了验证ClearSCD在现实应用场景的实用价值,该研究构建了LsSCD数据集。验证结果表明ClearSCD在mIoUsc指标上比现有方法高出1.23%至19.34%。

表1.Hi-UCD mini数据集定量评价结果

图片

表2.Hi-UCD数据集定量评价结果

图片

表3.LsSCD数据集定量评价结果

图片

图片

图5.ClearSCD与对比方法在LsSCD数据集的可视化结果

5.研究结论

        通过实验证明:ClearSCD在不同变化场景下的性能具有鲁棒性,是一种在能够自动化获取地表语义变化信息的有力工具

03 文章引用

文章信息:Kai Tang, Fei Xu, Xuehong Chen, Qi Dong, Yuheng Yuan, Jin Chen,The ClearSCD model: Comprehensively leveraging semantics and change relationships for semantic change detection in high spatial resolution remote sensing imagery,ISPRS Journal of Photogrammetry and Remote Sensing,Volume 211, 2024,Pages 299-317,ISSN 0924-2716,https://doi.org/10.1016/j. isprsjprs.2024.04.013.

代码链接:https://github.com/tangkai-RS/ClearSCD

信息来源:http://www.chen-lab.club/

这篇关于【高校科研前沿】北师大陈晋教授团队在遥感顶刊发表最新成果:ClearSCD模型:在高空间分辨率遥感影像中综合利用语义和变化关系进行语义变化检测的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/981164

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者