DOI: https://doi.org/10.1109/mgrs.2025.3533605
تاريخ النشر: 2025-02-13
المؤلف: Lei Ding وآخرون
الموضوع الرئيسي: تصنيف الصور باستخدام الاستشعار عن بُعد
نظرة عامة
في العقد الماضي، حقق التعلم العميق (DL) تقدمًا كبيرًا في مجال اكتشاف التغيير (CD) في صور الاستشعار عن بُعد (RSIs)، مما مكن من التحليل التلقائي والموثوق لمجموعات البيانات الكبيرة. ومع ذلك، فإن التنفيذ العملي لهذه الطرق يعيقه تباين بيانات الإدخال وسياقات التطبيق المحددة، مثل الحاجة إلى ملاحظات السلاسل الزمنية التي يمكن أن توفر رؤى مفصلة حول توقيت وطبيعة التغييرات. بالإضافة إلى ذلك، يتطلب تدريب الشبكات العصبية العميقة (DNNs) عادةً مجموعات بيانات واسعة، والتي غالبًا ما يكون من الصعب الحصول عليها.
لمعالجة هذه القضايا، طور الباحثون طرق CD متنوعة مصممة لتناسب سيناريوهات وظروف موارد مختلفة. تقدم الابتكارات الحديثة في توليد الصور، والإشراف الذاتي، ونماذج الأساس البصرية (VFMs) حلولًا واعدة لمشكلة ندرة البيانات المرتبطة بـ CD القائم على DL. تستعرض هذه المقالة الأدبيات الموجودة حول منهجيات CD وتستكشف استراتيجيات تدريب ونشر هذه الطرق في بيئات ذات توفر محدود للعينة. يهدف المؤلفون إلى تقديم رؤى قيمة يمكن أن تلهم المزيد من التقدم في تقنيات CD الفعالة القابلة للتطبيق عبر سياقات متنوعة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التقدم الكبير في اكتشاف التغيير (CD) ضمن صور الاستشعار عن بُعد (RSIs) الذي يسهل تقنيات التعلم العميق (DL) على مدار العقد الماضي. حققت طرق CD القائمة على DL دقة تزيد عن 90% في مقياس F1 عبر مجموعات بيانات مرجعية متنوعة، مما يوضح فعاليتها في معالجة كميات كبيرة من البيانات تلقائيًا. ومع ذلك، تواجه التطبيقات العملية لهذه الطرق تحديات بسبب تنوع RSIs المدخلة، التي يمكن أن تظهر تباينًا وعدم توافق مكاني. بالإضافة إلى ذلك، فإن ندرة مجموعات البيانات الموصوفة بدقة تعقد تدريب الشبكات العصبية العميقة (DNNs) القوية، مما يستلزم تطوير منهجيات متخصصة مصممة لتناسب سياقات محددة وقيود التدريب.
تشير الورقة إلى اتجاه متزايد في البحث يركز على إعدادات الإشراف غير المكتمل، مثل CD شبه المراقب والمراقب بشكل ضعيف، حيث وصلت الطرق المراقبة بالكامل إلى مستويات عالية من الدقة. تهدف هذه المراجعة إلى تحليل شامل للأدبيات الحديثة حول طرق CD القائمة على DL، لا سيما تلك التي تتناول سياقات تطبيق متنوعة وسيناريوهات الإشراف غير المكتمل. من خلال دراسة مهام CD المتخصصة وتحديد الفجوات في البحث الحالي، يعتزم المؤلفون المساهمة في تقدم وتطبيق أوسع لمنهجيات CD في البيئات الواقعية.
نقاش
في مناقشة اكتشاف التغيير متعدد الفئات (MCD) واكتشاف التغيير الدلالي (SCD)، تسلط الورقة الضوء على قيود اكتشاف التغيير الثنائي (BCD)، الذي يحدد فقط موقع التغييرات دون تفصيل أنواعها. يعزز MCD وSCD ذلك من خلال تصنيف التغييرات إلى فئات متعددة، مما يسمح بتحليل أكثر دقة للمناطق المتغيرة. تتطلب الهياكل الخاصة بـ MCD/SCD نماذج تعلم عميق أكثر تعقيدًا يمكنها تعلم الميزات الدلالية وتمثيلات التغيير في الوقت نفسه، وغالبًا ما تستخدم استراتيجيات التعلم المتعدد المهام. تعتبر تقنيات مثل الدمج الزماني المكاني ونمذجة الاعتماد الدلالي ضرورية لالتقاط ديناميات التغييرات في صور الاستشعار عن بُعد بشكل فعال.
تقدم هذه القسم أيضًا اكتشاف التغيير عبر السلاسل الزمنية (TSCD)، الذي يحلل التغييرات عبر صور زمنية متعددة، مما يوفر رؤى حول التغييرات العابرة مقابل المستمرة. غالبًا ما تكافح الخوارزميات التقليدية مع الضوضاء والتغيرات الموسمية بسبب نقص السياق المكاني. أظهرت التقدمات الحديثة في التعلم العميق، لا سيما استخدام شبكات الذاكرة طويلة وقصيرة المدى (LSTM) مع الشبكات العصبية التلافيفية (CNNs)، وعدًا في نمذجة هذه التغيرات الزمنية مع مراعاة الميزات المكانية. تناقش الورقة أيضًا استراتيجيات مختلفة لتدريب الشبكات العصبية العميقة (DNNs) في ظل ظروف عينة محدودة، مصنفة إياها إلى اكتشاف التغيير شبه المراقب، والمراقب بشكل ضعيف، والمراقب الذاتي، وغير المراقب. تستخدم كل فئة منهجيات مميزة، مثل التسمية الزائفة والتنظيم المساعد، لتعزيز أداء النموذج على الرغم من ندرة البيانات، بهدف تحسين قوة ودقة اكتشاف التغيير في التطبيقات الواقعية.
DOI: https://doi.org/10.1109/mgrs.2025.3533605
Publication Date: 2025-02-13
Author(s): Lei Ding et al.
Primary Topic: Remote-Sensing Image Classification
Overview
In the past decade, deep learning (DL) has significantly advanced the field of Change Detection (CD) in Remote Sensing Images (RSIs), enabling automatic and robust analysis of large datasets. However, the practical implementation of these methods is hindered by the variability of input data and specific application contexts, such as the need for time-series observations that can provide detailed insights into the timing and nature of changes. Additionally, the training of Deep Neural Networks (DNNs) typically requires extensive datasets, which are often challenging to obtain.
To tackle these issues, researchers have developed various CD methods tailored to different scenarios and resource constraints. Recent innovations in image generation, self-supervision, and visual foundation models (VFMs) present promising solutions to the data scarcity problem associated with DL-based CD. This article reviews existing literature on CD methodologies and explores strategies for training and deploying these methods in environments with limited sample availability. The authors aim to offer valuable insights that could inspire further advancements in effective CD techniques applicable across diverse contexts.
Introduction
The introduction of this research paper highlights the significant advancements in Change Detection (CD) within Remote Sensing Images (RSIs) facilitated by Deep Learning (DL) techniques over the past decade. DL-based CD methods have achieved over 90% accuracy in the F1 metric across various benchmark datasets, demonstrating their effectiveness in automatically processing large volumes of data. However, practical applications of these methods face challenges due to the diversity of input RSIs, which can exhibit heterogeneity and spatial misalignment. Additionally, the scarcity of accurately labeled datasets complicates the training of robust Deep Neural Networks (DNNs), necessitating the development of specialized methodologies tailored to specific contexts and training limitations.
The paper notes a growing trend in research focusing on incomplete supervision settings, such as semi-supervised and weakly supervised CD, as fully supervised methods have reached high accuracy levels. This review aims to comprehensively analyze recent literature on DL-based CD methods, particularly those addressing diverse application contexts and incomplete supervision scenarios. By examining specialized CD tasks and identifying gaps in existing research, the authors intend to contribute to the advancement and broader application of CD methodologies in real-world settings.
Discussion
In the discussion of multi-class change detection (MCD) and semantic change detection (SCD), the paper highlights the limitations of binary change detection (BCD), which only identifies the location of changes without detailing their types. MCD and SCD enhance this by classifying changes into multiple categories, allowing for a more nuanced analysis of altered regions. The architectures for MCD/SCD are more complex, requiring deep learning models that can simultaneously learn semantic features and change representations, often employing multi-task learning strategies. Techniques such as spatio-temporal fusion and semantic dependency modeling are essential for effectively capturing the dynamics of changes in remote sensing images.
The section also introduces time-series change detection (TSCD), which analyzes changes across multiple temporal images, providing insights into transient versus persistent changes. Traditional algorithms often struggle with noise and seasonal variations due to their lack of spatial context. Recent advancements in deep learning, particularly the use of Long Short-Term Memory (LSTM) networks combined with Convolutional Neural Networks (CNNs), have shown promise in modeling these temporal variations while considering spatial features. The paper further discusses various strategies for training deep neural networks (DNNs) under limited sample conditions, categorizing them into semi-supervised, weakly supervised, self-supervised, and unsupervised change detection. Each category employs distinct methodologies, such as pseudo-labeling and auxiliary regularization, to enhance model performance despite data scarcity, ultimately aiming to improve the robustness and accuracy of change detection in real-world applications.