arXiv Computer Vision· Xavier Bou, Elliot Vincent, Gabriele Facciolo, Rafael Grompone von Gioi, Jean-Michel Morel, Thibaud Ehret·· 13 小时前AI 评分34
遥感变化检测的弱时间监督方法
Remote Sensing Change Detection via Weak Temporal Supervision
AI 导读
研究提出一种弱时间监督策略，利用现有单时相遥感数据集在不同时间获取的新观测，无需任何新标注即可训练变化检测模型。方法假设真实双时相对大多无变化，并通过跨位置配对生成变化样本，配合对象感知变化图生成与迭代优化处理弱标签噪声。在扩展的 FLAIR 和 IAILD 航空数据集上，该方法在零样本和低数据条件下表现有竞争力，并在法国大范围区域展示了可扩展性。
推荐理由模型分析
该工作针对遥感变化检测标注稀缺的瓶颈，提出弱时间监督：利用已有单时相数据集新增的不同时间观测，以“真实双时相多为无变化、跨地点配对构造变化样本”的假设训练模型，并用目标感知变化图生成与迭代精化抑制弱标签噪声。在扩展的FLAIR和IAILD航空数据集上报告了零样本与低数据条件下的竞争性表现，并展示法国大范围区域结果。适合遥感视觉研究者参考其免标注训练思路，但证据限于航空数据集与作者自建扩展集，跨传感器与实地精度仍需验证。
来源：arXiv Computer Vision · arxiv.org