JL1-CD: Un nuevo punto de referencia para la detección de cambios en teledetección y un marco robusto de destilación de conocimiento multi-maestro

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

February 19, 2025

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

cs.AI

Resumen

El aprendizaje profundo ha logrado un éxito significativo en el campo de la detección de cambios (CD, por sus siglas en inglés) en imágenes de teledetección, aunque persisten dos grandes desafíos: la escasez de conjuntos de datos abiertos y completos con resolución submétrica, y la dificultad de obtener resultados de detección consistentes y satisfactorios en imágenes con áreas de cambio variables. Para abordar estos problemas, presentamos el conjunto de datos JL1-CD, que contiene 5,000 pares de imágenes de 512 x 512 píxeles con una resolución de 0.5 a 0.75 metros. Además, proponemos un marco de destilación de conocimiento multi-maestro (MTKD, por sus siglas en inglés) para la detección de cambios. Los resultados experimentales en los conjuntos de datos JL1-CD y SYSU-CD demuestran que el marco MTKD mejora significativamente el rendimiento de los modelos de CD con diversas arquitecturas de red y tamaños de parámetros, alcanzando nuevos resultados de vanguardia. El código está disponible en https://github.com/circleLZY/MTKD-CD.

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.