RS DL
论文介绍
题目：CIG-STF: Change Information Guided Spatiotemporal Fusion for Remote Sensing Images
期刊：IEEE Transactions on Geoscience and Remote Sensing
论文：https://ieeexplore./document/10560018
创新点
-
提出了CIG-STF（Change Information Guided Spatiotemporal Fusion），将变化检测与时空融合整合到一个统一框架中，利用变化检测在捕捉地物变化方面的强大能力来辅助时空融合，特别是针对具有显著地物变化的影像。 -
模块设计：设计了多尺度膨胀特征提取模块（MDFE）、时空融合-变化检测一体化模块（STF-CD）和重建模块。 -
时空融合-变化检测一体化模块（STF-CD），通过巧妙结合时空融合与变化检测，并基于注意力策略捕捉双时相影像的变化特征，提高模型性能和变化区域的预测精度。
数据
-
LGC数据集 包含2004-2005年的地物变化数据，选取11对MODIS-Landsat影像。主要表现为地物显著变化 主要覆盖澳大利亚地区2004-2005年的地物变化。 -
Daxing数据集 包含2013-2019年的地物变化数据，选取24对MODIS-Landsat影像。时间跨度较大，包含显著的地物和现象变化。 覆盖北京大兴区2013-2019年的地物变化。
方法
CIG-STF通过整合变化检测和时空融合任务，旨在提高对显著地物变化的遥感影像预测精度。
！1. 多尺度膨胀特征提取模块（MDFE）
-
作用：用于提取输入影像的多尺度特征信息，避免信息丢失。
-
技术特点：通过膨胀卷积扩大感受野，同时保留空间和光谱特征，为后续的时空融合和变化检测提供高质量输入。
-
独特性：不共享权重，分别提取不同传感器数据的代表性特征。
2. 时空融合-变化检测一体化模块（STF-CD）
-
可逆注意力融合模块（IAFM）
-
初步融合双时相影像的空间与光谱特征。
-
通过空间和通道注意力机制，分别整合地物的空间位置信息和光谱信息。
-
双向操作，确保融合结果兼顾细节与整体变化。
-
差异特征提取模块（DFEM）
-
识别影像中显著变化区域并生成变化图。
-
通过全局和局部注意力机制，放大变化区域特征，抑制不变区域。
-
同时结合变化区域的整体与局部信息，确保变化检测的准确性。
-
变化信息引导增强模块（CIGEM）
-
利用变化检测结果进一步优化初步融合的影像。
-
通过变化图的权重调整，提高变化区域的细节还原，同时防止整体特征丢失。
-
动态增强变化区域，同时保留整体影像信息。
3. 重建模块
-
将多层融合与变化检测结果整合，生成最终预测影像。
-
通过跳跃连接保留低级信息，减少细节损失，同时增强多层级特征之间的关联性。
4. 动态衰减损失函数
-
动态调整网络训练中的权重，平衡变化检测和时空融合任务的目标。
-
训练初期注重变化检测，后期逐步将重点转移到最终融合结果的优化。
-
增强模型对变化区域的敏感度，同时提高整体融合结果的准确性。
实验与分析
精度对比
表1-4展示了在LGC和Daxing数据集上的现象变化和地物变化的定量评估结果，证明CIG-STF在各种场景下均优于传统和现有深度学习方法。
可视化对比
更多图表分析可见原文
#artContent h1{font-size:16px;font-weight: 400;}#artContent p img{float:none !important;}#artContent table{width:100% !important;}
