少樣本變化檢測:一種通用的類無關變化檢測算法
中文題目：少樣本變化檢測:一種通用的類無關變化檢測算法
論文題目：Few-Shot Change Detection: A General Class-independent Change Detection Algorithm
錄用期刊/會議：CCDC2025 （CAA A類會議）
錄用時間：2025.1.2
作者列表：
1)曹智娟 中國石油大學（北京）人工智能學院 控制科學與工程 博21級
2)劉建偉 中國石油大學（北京）人工智能學院 自動化系 教師
研究動機:
1)注釋的成本高得令人望而卻步。經典的監督學習模型依賴于數據的標簽，非常費時費力；無監督學習將檢測所有變化的土地覆蓋類型，語義變化檢測無法實現。
2)現有的變化檢測數據集無法完成單一土地覆蓋類型的檢測任務。根據眾所周知的變化檢測數據集(CDD)，圖像的標簽僅考慮一對圖像中的所有類型變化，包括建筑物、車輛等。顯然，這種設置是合理的，但它未能解決和充分反映單一土地覆蓋類型的變化。同樣，語義變化檢測數據集提供了不同土地覆蓋類型的類別。如果我們打算只關注單一土地覆蓋類型的變化，如“建筑物消失”、“樹木出現”，現有數據集無法檢測單一土地覆蓋類型的變化。深度學習算法需要大量高質量的標注樣本才能達到良好的性能。當訓練樣本數量較少時，深度學習的迭代優化過程往往會陷入過擬合狀態，導致檢測性能急劇下降。為了解決這些問題，少樣本學習（FSL）的特點是模型只需要少量的標注樣本就能獲得較好的結果。準確地說，FSL的基本思想是訓練網絡從大量的訓練集中學習先驗知識，然后利用已有的先驗知識指導模型在測試集中更快地學習。訓練集和測試集中的類別之間沒有重疊。
主要內容:
圖1 一般的改變檢測框架
圖2 本文提出的學習場景
圖3 流程圖
結論:
本文提出了FSCD模型，解決了在多種土地覆蓋類型變化情況下檢測單一土地覆蓋類型變化的問題。對于新的變化檢測類，FSCD只需要非常少量的帶注釋的圖像來生成任意兩幅圖像在不同時間的變化圖。FSCD是一個兩部門模型。一個分支使用ResNet18提取一對待檢測圖像的特征，另一個分支使用ResNet18提取支持圖像的特征，然后使用標簽信息提取變化部分的全局特征。FSCD通過比較待檢測的特征和變化部分的特征來判斷像素是否發生了變化。雙線性插值用于上采樣，使得輸出圖像的分辨率與輸入圖像的分辨率相同。該模型通過二值交叉熵損失進行優化。我們在SSECOND數據集上使用FSCD模型，通過11組隨機不重復的單次實驗驗證了模型的有效性，并且對支持圖像的選擇要求相對較低，即任何支持圖像都可以幫助模型產生更好的預測效果。同時，10次拍攝實驗的f 1值高于5次拍攝實驗，5次拍攝實驗的F1值高于1次拍攝實驗，說明使用的支持圖像越多，學習到的信息就越多。將來，我們可以引入距離度量函數來度量待檢測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。
作者簡介:
劉建偉，教師。