JL1-CD: Un Nuovo Benchmark per il Rilevamento dei Cambiamenti nel Telerilevamento e un Solido Framework di Distillazione della Conoscenza Multi-Insegnante

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

February 19, 2025

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

cs.AI

Abstract

Il deep learning ha ottenuto un successo significativo nel campo del rilevamento dei cambiamenti (CD) nelle immagini di telerilevamento, ma permangono due principali sfide: la scarsità di dataset open-source CD completi e con risoluzione sub-metro, e la difficoltà di ottenere risultati di rilevamento consistenti e soddisfacenti su immagini con aree di cambiamento variabili. Per affrontare questi problemi, introduciamo il dataset JL1-CD, che contiene 5.000 coppie di immagini di 512 x 512 pixel con una risoluzione compresa tra 0,5 e 0,75 metri. Inoltre, proponiamo un framework di distillazione della conoscenza multi-teacher (MTKD) per il CD. I risultati sperimentali sui dataset JL1-CD e SYSU-CD dimostrano che il framework MTKD migliora significativamente le prestazioni dei modelli CD con varie architetture di rete e dimensioni dei parametri, raggiungendo nuovi risultati all'avanguardia. Il codice è disponibile all'indirizzo 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.