약한 시간적 감독을 이용한 원격 감지 변화 감지

Remote Sensing Change Detection via Weak Temporal Supervision

원격 감지에서의 의미 기반 변화 감지는 이원적인 이미지 쌍 간의 토지 피복 변화를 식별하는 것을 목표로 합니다. 이 분야의 발전은 주석이 달린 데이터셋의 부족으로 인해 제한되어 왔는데, 이는 픽셀 단위 주석이 비용이 많이 들고 시간이 오래 걸리기 때문입니다. 이를 해결하기 위해 최근의 방법들은 합성 데이터를 활용하거나 인공적인 변화 쌍을 생성하지만, 여전히 도메인 외부 일반화에는 한계가 있습니다. 본 연구에서는 기존의 단일 시간 데이터셋에 추가적인 시간 정보를 활용하는 약한 시간적 감독 전략을 제시합니다. 이 방법은 새로운 주석 없이, 단일 날짜 원격 감지 데이터셋을 다양한 시점에 획득한 새로운 관측 데이터로 확장하고, 실제 이원적인 이미지 쌍은 대부분 변화가 없을 것이라는 가정 하에, 서로 다른 위치의 이미지를 쌍으로 묶어 변화 예제를 생성하여 변화 감지 모델을 학습합니다. 이러한 약한 레이블에 내재된 노이즈를 처리하기 위해, 객체 인지 기반의 변화 맵 생성 및 반복적인 개선 과정을 사용합니다. 저희는 FLAIR 및 IAILD 항공 데이터셋의 확장된 버전에서 저희 접근 방식을 검증하였으며, 다양한 벤치마크에서 뛰어난 제로샷 및 소량 데이터 환경에서의 성능을 달성했습니다. 마지막으로, 프랑스 전역의 넓은 지역에 대한 결과를 제시하여 저희 방법의 확장 가능성을 보여줍니다.

Semantic change detection in remote sensing aims to identify land cover changes between bi-temporal image pairs. Progress in this area has been limited by the scarcity of annotated datasets, as pixel-level annotation is costly and time-consuming. To address this, recent methods leverage synthetic data or generate artificial change pairs, but out-of-domain generalization remains limited. In this work, we introduce a weak temporal supervision strategy that leverages additional temporal observations of existing single-temporal datasets, without requiring any new annotations. Specifically, we extend single-date remote sensing datasets with new observations acquired at different times and train a change detection model by assuming that real bi-temporal pairs mostly contain no change, while pairing images from different locations to generate change examples. To handle the inherent noise in these weak labels, we employ an object-aware change map generation and an iterative refinement process. We validate our approach on extended versions of the FLAIR and IAILD aerial datasets, achieving strong zero-shot and low-data regime performance across different benchmarks. Lastly, we showcase results over large areas in France, highlighting the scalability potential of our method.