.png){kind=icon}
返回
Optimized Reinforcement Learning-Driven Model for Remote Sensing Change Detection
.png){kind=icon}
OA
AI
DOI：10.3390/jimaging12030139.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，深度学习在遥感变化检测（CD）领域取得了显著进展；然而，实际部署仍受限于两个问题。首先，CD结果易受成像诱导的不确定性影响——混合像素和模糊边界、辐射不均（如阴影和季节性光照变化）以及轻微残留配准误差，导致伪变化和边界碎片化。其次，现有方法采用静态单次推理范式，缺乏显式的反馈机制进行自适应误差校正，这削弱了在复杂或未见场景中的泛化能力。为解决这些问题，我们提出了一种反馈驱动的CD框架，该框架整合了双分支U-Net与深度强化学习（RL），用于对初始变化概率图进行像素级概率迭代优化。骨干网络通过多尺度双时相特征生成变化可能性的初步后验估计，而基于PPO的RL代理将优化过程建模为马尔可夫决策过程。该代理利用融合了多尺度特征、预测置信度/不确定性以及空间一致性线索（如邻域一致性和边缘响应）的状态表示，以执行多步校正操作。从成像与解释的角度来看，RL模块可被视为一种可学习的、自适应的成像优化机制：针对受模糊边界、辐射不均和局部配准误差影响的潜在区域，代理通过反馈驱动的多步校正提升边界保真度和空间一致性，同时抑制由阴影和光照变化引起的伪变化。在CDD、SYSU-CD、PVCD和BRIGHT四个数据集上的实验验证了该方法的一致性改进。以SiamU-Net为例，所提RL优化使mIoU在CDD、SYSU-CD、PVCD和BRIGHT上分别提升了3.07、2.54、6.13和3.1个百分点，当将相同RL模块集成到其他代表性CD骨干网络时，同样观察到一致的增益。
Keyword:
remote sensing change detection
deep learning
reinforcement learning
U-Net
adaptive segmentation
UAV dataset
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
3.3
论文数:
1.1K
被引数:
4.4K
机构
引用论文
Improving the quality of image segmentation in Ultrasound images using Reinforcement LearningGhajari, S.; Sistani, M.B.N. 使用强化学习改进超声图像中的图像分割质量。Commun. Adv. Comput. Sci. Appl. 2017, 2017, 33–40. [Google Scholar] [CrossRef]
PREAI
分享收藏分享收藏
SNUNet-CD: A Densely Connected Siamese Network for Change Detection of VHR ImagesSnunet-cd: 一个用于VHR图像变化检测的密集连体网络
PREAI
分享收藏Zhang, D.; Li, H.; He, D.; Liu, N.; Cheng, L.; Wang, J.; Han, J. Unsupervised Pre-training with Language-Vision Prompts for Low-Data Instance Segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 2025, 40504713. [Google Scholar] [CrossRef]张, D.; 李, H.; 何, D.; 刘, N.; 程, L.; 王, J.; 韩, J. 基于语言-视觉提示的无监督预训练用于低数据实例分割. IEEE 传. 模式识别与机器智能. 2025, 40504713. [谷歌学术] [ CrossRef ].png)
IF0
PREAI
分享收藏Spatiotemporal Enhancement and Interlevel Fusion Network for Remote Sensing Images Change Detection用于遥感图像变化检测的时空增强和级间融合网络
PREAI
分享收藏分享收藏
查看更多内容