CrossCD-Eval: a unified framework with domain-aware feature normalization for cross-domain remote sensing change detection
Menna M. Elkholy · Hala M. Ebied · Mohamed F. Tolba 等 5 人
提出统一框架CrossCD-Eval评估跨域遥感变化检测，并设计DAFN模块提升跨域泛化。
在CLCD、HRSCD、LEVIR-CD上评测五种模型，提出域感知特征归一化DA
模型域内表现强但跨域下降，DAFN提升跨域与少样本适应，IoU标准差最多降22.7%。
可将DAFN用于农业跨区域/跨传感器作物变化监测，探索轻量域适应与少样本迁移。
属遥感变化检测通用方法研究，未涉及农业场景，与三农及农业信息化主题不相关。
摘要 遥感影像中的变化检测（CD）对于监测城市扩张、土地利用转变和环境动态至关重要。然而，由于地理区域、空间分辨率、传感器/采集条件、时间段和标注协议差异所导致的分布偏移，跨域变化检测仍然具有挑战性。本文提出CrossCD-Eval，一个用于评估基于深度学习的变化检测模型在域内、跨域和少样本域适应设置下泛化能力的统一框架。使用CLCD、HRSCD和LEVIR-CD对五个近期模型进行了评估，即GLAFormer 1、Change-Mamba 2、EHCTNet 3、ELGC-Net 4和STNet 5。为减少表示层面的域不匹配，我们提出域感知特征归一化（DAFN）模块，作为轻量级特征级适应组件，对齐源域和目标域的特征统计量。实验结果表明，所有模型均取得较强的域内性能，但在跨域迁移时性能下降，证实了域偏移的影响。DAFN提升了跨域和少样本适应性能，在更具挑战性的源-目标偏移下增益更大。在五次随机目标样本选择上重复进行的10-shot实验进一步表明，DAFN提升了适应稳定性，将IoU标准差最多降低22.7%。额外的消融和基线对比研究表明，所观察到的增益并非仅由预处理所致。与完整预处理、AdaBN、对抗特征对齐以及基于实例归一化的CrossCDNet基线相比，DAFN提供了额外的特征级适应收益，尤其是与STNet等强骨干网络结合时。