【ELGC-Net】用于遥感变化检测的高效局部-全局上下文聚合（IEEE TGRS收录）

摘要

• 现有的CNN和基于Transformer的框架往往难以准确的分割语义变化区域。且，基于标准自注意力的Transformer方法对图像分辨率存在二次计算复杂度，使得在训练数据有限的CD任务种不太实用。
• 为此，提出孪生的高效变化检测框架ELGC-Net，利用丰富的上下文信息来精确分割变化区域，同时减少模型的大小。ELGC-Net包含一个孪生编码器、融合模块和一个解码器。
  • 编码器：引入一个Efficient Local-Global Con-text Aggregator（ELGCA）模块，增强全局上下文和局部空间信息，同时解决标准自注意力的局限性。
    • PT捕获全局上下文信息。
      • 采用池化操作进行特征提取，并通过transpose注意力最小化计算成本。
    • 深度卷积对局部上下文进行编码。
• 大量实验表明，ELGC-Net优于现有方法，在提高精度的同时显著减少了训练参数。
• 还介绍了ELGC-Net-LW，是一种更轻量化的变体，显著降低了计算复杂度，在不影响CD精度的情况下，满足计算资源有限的场景。
• 论文链接：https://arxiv.org/abs/2403.17909
• 代码链接：GitHub - techmn/elgcnet: ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection

动机

以往的一些方法依赖于标准的自注意力，与编码器中tokens的数量呈二次复杂度。大量的参数、高内存占用和高FLOPs使得这些方法不太适合用于实际的遥感变化检测应用。因此，希望同时捕获局部-全局上下文信息，有效地检测图像对之间的细微和显著的结构变化。

方法

总体架构如图3所示：