JL1-CD: Новый эталонный тест для обнаружения изменений на дистанционных снимках и устойчивая структура многопреподавательского дистилляции знаний

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

February 19, 2025

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

cs.AI

Аннотация

Глубокое обучение достигло значительных успехов в области обнаружения изменений (CD) на спутниковых снимках, однако остаются две основные проблемы: недостаток открытых наборов данных CD с разрешением менее метра, охватывающих все аспекты, и сложность достижения стабильных и удовлетворительных результатов обнаружения на изображениях с различными областями изменений. Для решения этих проблем мы представляем набор данных JL1-CD, содержащий 5000 пар изображений размером 512 x 512 пикселей с разрешением от 0,5 до 0,75 метров. Кроме того, мы предлагаем фреймворк многопреподавательского дистилляции знаний (MTKD) для CD. Экспериментальные результаты на наборах данных JL1-CD и SYSU-CD показывают, что фреймворк MTKD значительно улучшает производительность моделей CD с различными архитектурами сетей и размерами параметров, достигая новых рекордных результатов. Код доступен по адресу 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.