JL1-CD: Um Novo Benchmark para Detecção de Mudanças em Sensoriamento Remoto e uma Estrutura Robusta de Distilação de Conhecimento Multi-Professor

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

Resumo

O aprendizado profundo alcançou sucesso significativo no campo de detecção de mudanças (CD) em imagens de sensoriamento remoto, mas dois grandes desafios persistem: a escassez de conjuntos de dados abertos e abrangentes com resolução sub-métrica, e a dificuldade de obter resultados de detecção consistentes e satisfatórios em imagens com áreas de mudança variáveis. Para abordar essas questões, apresentamos o conjunto de dados JL1-CD, que contém 5.000 pares de imagens de 512 x 512 pixels com resolução de 0,5 a 0,75 metros. Além disso, propomos uma estrutura de destilação de conhecimento multi-professor (MTKD) para CD. Os resultados experimentais nos conjuntos de dados JL1-CD e SYSU-CD demonstram que a estrutura MTKD melhora significativamente o desempenho de modelos de CD com diversas arquiteturas de rede e tamanhos de parâmetros, alcançando novos resultados de ponta. O código está disponível em 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.