RS DL
论文介绍
题目：Plug-and-Play DISep: Separating Dense Instances for Scene-to-Pixel Weakly-Supervised Change Detection in High-Resolution Remote Sensing Images
期刊：ISPRS Journal of Photogrammetry and Remote Sensing
论文：https://arxiv.org/abs/2501.04934
代码：https://github.com/zhenghuizhao/Plug-and-Play-DISep-for-Change-Detection
年份：2025
创新点
实例分离（DISep）：提出 Plug-and-Play 方案，解决弱监督变化检测（WSCD）中实例合并问题，使密集变化目标能被正确分离。 三步优化流程： 实例定位：利用 高通 CAM 过滤 提取可靠变化区域。 实例检索：通过 连通性搜索 赋予每个变化区域唯一的实例 ID。 实例分离：设计 分离损失，在特征空间增强同一实例内的像素一致性。 无额外推理成本：仅增加极少训练计算量，但不会影响模型推理速度。 适用于多种模型：可用于 CNN 和 Transformer 结构，且可扩展到全监督变化检测（FSCD），提升实例分离能力。
背景
在实际应用中，我们往往只能知道某个场景发生了变化，却无法准确定位和量化变化实例的数量。文章提出了一种方法，在仅有场景级变化信息的情况下，实现更精准的变化实例识别。
现有 WSCD 方法容易出现 实例合并（instance lumping） 问题，即 多个变化目标被错误合并，导致：
误检：未变化区域被误认为变化区域。 无法正确计数：无法准确区分多个独立变化实例（如多个建筑变化被误认为一个整体）。
本文：提出 DISep 方案，在不增加推理成本的情况下，通过 实例分离 改进 WSCD，确保密集变化区域能正确区分，提高检测精度。
数据
WHU-CD（0.3m分辨率）：城市 建筑变化检测，7434 张影像。
LEVIR-CD（0.5m分辨率）：大规模建筑变化检测，10,192 张影像。
DSIFN-CD（2m分辨率）：多种地类变化（道路、农田、水体等），15,952 张影像。
SYSU-CD（城市扩展变化）：关注 城市发展（新建筑、道路扩展等），20,000 张影像。
CDD（季节变化）：Google Earth 季节性变化检测，16,000 张影像。
方法
1. 实例定位（Instance Localization）
利用类激活图（CAMs）：从弱监督模型的特征中提取变化区域的高置信度像素。 高通滤波：设置一个阈值，仅保留高置信度的变化区域，确保不会引入太多噪声。 低通滤波：同时，区分出背景区域，避免未变化的像素被误分类。
生成一个实例定位掩膜（Instance Localization Mask），标记可能发生变化的区域，为后续步骤做准备。
2. 实例检索（Instance Retrieval）
连通性搜索：扫描整个图像，对相邻的变化像素进行分组，确保同一目标内的像素被赋予相同的“实例 ID”。 分配唯一实例 ID：
孤立像素 赋予新 ID，视为一个新的变化实例。 相邻像素 继承已有 ID，确保同一变化目标被正确分组。 多个相连实例 若错误合并，则重新拆分，避免误检测。
生成实例身份掩膜（Instance Identity Mask），每个变化区域有一个唯一 ID，明确区分不同的变化目标。
3. 实例分离（Instance Separation）
实例级特征优化：
计算每个变化实例的特征中心，使得同一实例内的像素在特征空间内更加接近。 通过优化，使得不同实例的特征更加分散，避免错误合并。
背景区域处理：
将未变化的像素区域也作为一个特殊的实例，确保模型不会错误识别背景为变化区域。
结果与分析
可视化对比
更多图表分析可见原文
公众号升级版AI回复功能已启用，如需加群、投稿或合作，请微信联系小助手（备注：咨询/投稿/合作/加群，加群需姓名/昵称、单位和研究方向）。
我们目前有交流群、作者群(已发表成果的作者)、竞赛群和语义分割、变化检测等具体方向的交流群，详见：交流群说明
2025-01-27
2025-01-05
2024-12-26
2024-12-12
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
