JL1-CD : Un nouveau benchmark pour la détection de changements en télédétection et un cadre robuste de distillation de connaissances multi-enseignants

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

February 19, 2025

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

cs.AI

Résumé

L'apprentissage profond a obtenu des succès significatifs dans le domaine de la détection de changements (CD) dans les images de télédétection. Cependant, deux défis majeurs persistent : la rareté des jeux de données CD open-source complets et de résolution inférieure au mètre, ainsi que la difficulté d'obtenir des résultats de détection cohérents et satisfaisants sur des images présentant des zones de changement variables. Pour résoudre ces problèmes, nous introduisons le jeu de données JL1-CD, qui contient 5 000 paires d'images de 512 x 512 pixels avec une résolution de 0,5 à 0,75 mètres. De plus, nous proposons un cadre de distillation de connaissances multi-enseignants (MTKD) pour la CD. Les résultats expérimentaux sur les jeux de données JL1-CD et SYSU-CD montrent que le cadre MTKD améliore significativement les performances des modèles de CD avec diverses architectures de réseaux et tailles de paramètres, établissant de nouveaux records de pointe. Le code est disponible à l'adresse 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.