Keskeiset käsitteet
Die Leistung einfacher Basislinien-Architekturen wie U-Net übertrifft oft die komplexen, speziell entwickelten Methoden zur Veränderungserkennung.
Tiivistelmä
In den letzten Jahren gab es einen Boom an vorgeschlagenen Deep-Learning-Architekturen für die Veränderungserkennung in Fernerkundungsbildern. Diese Ansätze behaupten, Spitzenleistungen auf verschiedenen Standardbenchmark-Datensätzen zu erzielen. Allerdings stellt sich die Frage, ob das Forschungsfeld tatsächlich signifikante Fortschritte gemacht hat.
In dieser Arbeit führen die Autoren Experimente durch, die zeigen, dass eine einfache U-Net-Segmentierungsgrundlinie ohne Trainingstricks oder komplizierte Architekturänderungen immer noch einer der besten Performer für die Aufgabe der Veränderungserkennung ist.
Die Autoren vergleichen ihre Baseline-Modelle, einschließlich Varianten mit Siamese-Encodern, mit den neuesten state-of-the-art-Methoden für die Veränderungserkennung auf den Benchmark-Datensätzen LEVIR-CD und WHU-CD. Die Ergebnisse zeigen, dass die U-Net-Baseline die komplizierten, speziell entwickelten Architekturen übertrifft.
Die Autoren argumentieren, dass viele behauptete Verbesserungen in Frage gestellt werden müssen, da Änderungen im Trainingsprozess, wie Optimierungsmethoden oder Verlustfunktionen, oft für die beobachteten Leistungssteigerungen verantwortlich sein können, anstatt nur für die vorgeschlagene Modellarchitektur.
Die Autoren empfehlen, standardisierte Benchmarks und Bibliotheken wie OpenCD, GEO-Bench und TorchGeo zu verwenden, um faire Vergleiche und realistische Fortschritte in der Veränderungserkennung zu ermöglichen.
Tilastot
Eine einfache U-Net-Architektur ohne Trainingstricks oder komplizierte Änderungen ist immer noch einer der besten Performer für die Aufgabe der Veränderungserkennung.
Die Leistung einiger state-of-the-art-Methoden, insbesondere der transformerbasiertenAnsätze, kann je nach Startwert der Zufallszahl stark variieren.
Lainaukset
"Viele behauptete Verbesserungen sind fragwürdig, da wir zeigen, dass eine einfache U-Net-Baseline immer noch eine der besten Methoden ist."
"Um faire Vergleiche und realistische Fortschritte in der Veränderungserkennung zu ermöglichen, empfehlen wir die Verwendung von standardisierten Benchmarks und Bibliotheken."