JL1-CD: Ein neuer Benchmark für die Fernerkundungsänderungserkennung und ein robustes Multi-Lehrer-Wissensdistillationsframework

JL1-CD: A New Benchmark for Remote Sensing Change Detection and a Robust Multi-Teacher Knowledge Distillation Framework

February 19, 2025

Autoren: Ziyuan Liu, Ruifei Zhu, Long Gao, Yuanxiu Zhou, Jingyu Ma, Yuantao Gu

cs.AI

Zusammenfassung

Deep Learning hat im Bereich der Fernerkundungsbild-Änderungserkennung (Change Detection, CD) bedeutende Erfolge erzielt, doch bestehen weiterhin zwei große Herausforderungen: die Knappheit von submetergenauen, umfassenden Open-Source-CD-Datensätzen und die Schwierigkeit, konsistente und zufriedenstellende Erkennungsergebnisse über Bilder mit unterschiedlichen Änderungsbereichen hinweg zu erzielen. Um diese Probleme zu adressieren, stellen wir den JL1-CD-Datensatz vor, der 5.000 Bildpaare mit einer Auflösung von 512 x 512 Pixeln und einer räumlichen Auflösung von 0,5 bis 0,75 Metern enthält. Zusätzlich schlagen wir ein Multi-Teacher-Wissensdistillations-Framework (MTKD) für die Änderungserkennung vor. Experimentelle Ergebnisse auf den JL1-CD- und SYSU-CD-Datensätzen zeigen, dass das MTKD-Framework die Leistung von CD-Modellen mit verschiedenen Netzwerkarchitekturen und Parametergrößen signifikant verbessert und neue State-of-the-Art-Ergebnisse erzielt. Der Code ist unter https://github.com/circleLZY/MTKD-CD verfügbar.

English

Deep learning has achieved significant success in the field of remote sensing image change detection (CD), yet two major challenges remain: the scarcity of sub-meter, all-inclusive open-source CD datasets, and the difficulty of achieving consistent and satisfactory detection results across images with varying change areas. To address these issues, we introduce the JL1-CD dataset, which contains 5,000 pairs of 512 x 512 pixel images with a resolution of 0.5 to 0.75 meters. Additionally, we propose a multi-teacher knowledge distillation (MTKD) framework for CD. Experimental results on the JL1-CD and SYSU-CD datasets demonstrate that the MTKD framework significantly improves the performance of CD models with various network architectures and parameter sizes, achieving new state-of-the-art results. The code is available at https://github.com/circleLZY/MTKD-CD.