JL1-CD: Een nieuwe benchmark voor remote sensing veranderingsdetectie en een robuust multi-docent kennisdistillatiekader

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

Samenvatting

Deep learning heeft aanzienlijke successen geboekt op het gebied van veranderingsdetectie (CD) in remote sensing-beelden, maar er blijven twee grote uitdagingen bestaan: het gebrek aan open-source CD-datasets van sub-meter resolutie die allesomvattend zijn, en de moeilijkheid om consistente en bevredigende detectieresultaten te behalen over beelden met variërende veranderingsgebieden. Om deze problemen aan te pakken, introduceren we de JL1-CD dataset, die 5.000 paren van 512 x 512 pixel beelden bevat met een resolutie van 0,5 tot 0,75 meter. Daarnaast stellen we een multi-teacher knowledge distillation (MTKD) framework voor CD voor. Experimentele resultaten op de JL1-CD en SYSU-CD datasets tonen aan dat het MTKD-framework de prestaties van CD-modellen met verschillende netwerkarchitecturen en parameterformaten aanzienlijk verbetert, wat resulteert in nieuwe state-of-the-art resultaten. De code is beschikbaar op 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.