.png){kind=icon}
返回
CGSL: Commonality graph structure learning for unsupervised multimodal change detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.isprsjprs.2025.08.010.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多模态变化检测（MCD）因其处理不同传感器（如光学和合成孔径雷达）获取的异构遥感图像（RSIs）的显著优势而受到广泛关注。MCD的主要挑战在于难以通过直接比较异构RSIs来获取变化区域。尽管许多MCD方法取得了重要进展，但它们在捕捉异构RSIs特征空间中模态无关的复杂结构关系方面仍显不足。为此，我们提出了一种新颖的共同性图结构学习（CGSL）方法用于无监督MCD，旨在提取异构RSIs之间的潜在共同性图结构特征，并通过直接比较这些特征来检测变化。在本研究中，首先对异构RSIs进行分割，并构建为基于超像素的异构图结构数据，由节点和边组成。然后，将异构图输入所提出的CGSL中，以捕捉模态无关的图结构特征共同性。所提出的CGSL由一个孪生图编码器和两个图解码器组成。孪生图编码器将异构图映射到共享空间，并有效提取异构图中的潜在共同性图结构特征。两个图解码器将映射后的节点特征重建为原始节点特征，以保持与原始图特征的一致性。最后，可通过使用均方误差测量共同性图结构特征的差异，来检测异构RSIs之间的变化。此外，我们设计了一个带正则化的复合损失函数，以引导CGSL在无监督学习方式下有效挖掘异构图之间的潜在共同性图结构特征。在七个MCD数据集上的大量实验表明，所提出的CGSL优于现有的最先进方法，展示了其在MCD中的优越性能。代码将发布于https://github.com/TongfeiLiu/CGSL-for-MCD。
Keyword:
multimodal change detection
heterogeneous remote sensing images
commonality graph structure learning
unsupervised learning
graph neural networks
期刊
IF:
12.2
论文数:
4.4K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
分享收藏Iterative Robust Graph for Unsupervised Change Detection of Heterogeneous Remote Sensing Images
PREAI
分享收藏
Commonality Autoencoder: Learning Common Features for Change Detection From Heterogeneous Images
PREAI
分享收藏
查看更多内容