中文题目：少样本变化检测:一种通用的类无关变化检测算法

论文题目：Few-Shot Change Detection: A General Class-independent Change Detection Algorithm

录用期刊/会议：CCDC2025 （CAA A类会议）

录用时间：2025.1.2

作者列表：

1)曹智娟 中国天天色天天（北京）人工智能学院 控制科学与工程 博21级

2)刘建伟 中国天天色天天（北京）人工智能学院 自动化系 教师

研究动机:

1)注释的成本高得令人望而却步。经典的监督学习模型依赖于数据的标签，非常费时费力；无监督学习将检测所有变化的土地覆盖类型，语义变化检测无法实现。

2)现有的变化检测数据集无法完成单一土地覆盖类型的检测任务。根据众所周知的变化检测数据集(CDD)，图像的标签仅考虑一对图像中的所有类型变化，包括建筑物、车辆等。显然，这种设置是合理的，但它未能解决和充分反映单一土地覆盖类型的变化。同样，语义变化检测数据集提供了不同土地覆盖类型的类别。如果我们打算只关注单一土地覆盖类型的变化，如“建筑物消失”、“树木出现”，现有数据集无法检测单一土地覆盖类型的变化。深度学习算法需要大量高质量的标注样本才能达到良好的性能。当训练样本数量较少时，深度学习的迭代优化过程往往会陷入过拟合状态，导致检测性能急剧下降。为了解决这些问题，少样本学习（FSL）的特点是模型只需要少量的标注样本就能获得较好的结果。准确地说，FSL的基本思想是训练网络从大量的训练集中学习先验知识，然后利用已有的先验知识指导模型在测试集中更快地学习。训练集和测试集中的类别之间没有重叠。

主要内容:

 

图1 一般的改变检测框架

 

 

图2 本文提出的学习场景

图3  流程图 

结论:

本文提出了FSCD模型，解决了在多种土地覆盖类型变化情况下检测单一土地覆盖类型变化的问题。对于新的变化检测类，FSCD只需要非常少量的带注释的图像来生成任意两幅图像在不同时间的变化图。FSCD是一个两部门模型。一个分支使用ResNet18提取一对待检测图像的特征，另一个分支使用ResNet18提取支持图像的特征，然后使用标签信息提取变化部分的全局特征。FSCD通过比较待检测的特征和变化部分的特征来判断像素是否发生了变化。双线性插值用于上采样，使得输出图像的分辨率与输入图像的分辨率相同。该模型通过二值交叉熵损失进行优化。我们在SSECOND数据集上使用FSCD模型，通过11组随机不重复的单次实验验证了模型的有效性，并且对支持图像的选择要求相对较低，即任何支持图像都可以帮助模型产生更好的预测效果。同时，10次拍摄实验的f 1值高于5次拍摄实验，5次拍摄实验的F1值高于1次拍摄实验，说明使用的支持图像越多，学习到的信息就越多。将来，我们可以引入距离度量函数来度量待检测图像的特征与从支持图像中提取的变化部分的特征之间的相似性。

作者简介:

刘建伟，教师。