JL1-CD：リモートセンシング変化検出のための新たなベンチマークと堅牢なマルチティーチャー知識蒸留フレームワーク

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

February 19, 2025

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

cs.AI

要旨

深層学習はリモートセンシング画像の変化検出（CD）分野において大きな成功を収めているが、依然として2つの主要な課題が残されている。それは、サブメートル級で包括的なオープンソースCDデータセットの不足と、変化領域が異なる画像間で一貫して満足のいく検出結果を得ることの難しさである。これらの課題に対処するため、我々はJL1-CDデータセットを提案する。このデータセットは、解像度0.5～0.75メートルの512×512ピクセルの画像ペア5,000組を含む。さらに、CDのためのマルチティーチャー知識蒸留（MTKD）フレームワークを提案する。JL1-CDおよびSYSU-CDデータセットを用いた実験結果は、MTKDフレームワークが様々なネットワークアーキテクチャとパラメータサイズのCDモデルの性能を大幅に向上させ、新たな最先端の結果を達成することを示している。コードはhttps://github.com/circleLZY/MTKD-CDで公開されている。

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.