.png){kind=icon}
返回
Improving change detection using conditional discriminative adversarial regularization
.png){kind=icon}
PRE
AI
DOI：10.1007/s00138-025-01769-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在将变化检测表述为语义分割的技术框架内，我们提出了一种条件判别对抗变化检测方法（CDACD），该方法利用条件对抗模块（CAM）来提升检测器的性能。从目标函数的角度来看，CDACD采用交叉熵损失进行语义分割，并增加了一个对抗正则化项，该正则化项是对纯交叉熵损失的有价值补充。从优化过程的角度来看，CAM受条件生成对抗网络（cGANs）启发：在CAM中，我们使变化检测器（一个判别网络）和另一个条件判别器相互竞争并共同改进。CAM以图像差异为条件。通过迭代对抗优化，它驱动变化检测器生成与真实变化一致的掩码。与受限于预定义变化类别的现有方法不同，CDACD通过CAM专注于学习双时相图像之间的内在时空差异。此外，CAM在各类变化检测方法中表现出即插即用的兼容性，持续提升对细微变化的敏感性。在四个基准数据集上的广泛实验证实了CDACD相较于当前最佳方法的鲁棒性和准确性。
Keyword:
Change detection
Conditional discriminative adversarial learning
Temporal information fusion
Adversarial regularization
期刊
M
IF:
2.3
论文数:
100
被引数:
2.7K
机构
引用论文
A Novel Framework for the Design of Change-Detection Systems for Very-High-Resolution Remote Sensing Images.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏分享收藏分享收藏
查看更多内容