以下文章来源于遥感学报 ，作者NRSB
人工智能时代背景下，多时相遥感影像变化检测正朝着数据-模型-知识联合驱动的方向转型与演变，但在数据、模型和应用等方面均面临着诸多的问题与挑战。
同济大学副教授柳思聪研究团队在《遥感学报》上发表论文“人工智能时代的遥感变化检测技术：继承、发展与挑战”，主要关注机器学习对于多时相遥感变化检测的影响及演变模式，重点探究传统变化检测方法在人工智能时代的继承、延续和转型方式， 剖析得到了当前遥感变化检测发展趋势及所面临的新问题与新挑战，旨在启发思考、共赴研究前沿。
研究背景
近三十年来，全球气候变化效应显现和人类活动的频繁，遥感变化检测的需求愈加迫切；同时，随着空-天-地多平台、多传感器的遥感数据大量积累，获取的多时相遥感影像的“量”和“质”均有显著提升。
传统变化检测技术已难以有效适应时-空-谱分辨率显著提升的新型遥感传感器数据，导致算法性能的降低和较高漏检、错检误差产生。另一方面，机器学习方法的直接引入与应用，易造成唯方法论的短板，导致检测精度提升快但解释性差、与实际地物变化的遥感机理关联性弱、模型泛化和迁移能力差等诸多问题。
本文主要关注机器学习对于多时相遥感变化检测的影响及演变模式，重点探究传统变化检测方法在人工智能时代的继承、延续和转型方式，进而剖析当前遥感变化检测发展趋势及所面临的新问题与新挑战。
研究思路
在总结多时相遥感数据源从同构到异构、变化检测模型从传统到智能、变化检测应用从理论到落地过程中存在问题的基础上，以光学遥感影像变化检测任务为例，梳理和分析了人工智能时代下变化检测技术的发展历程。从无监督、监督、弱监督三个方面探讨了遥感变化检测技术从传统到前沿的转型特点与趋势，提出了未来需重点突破模型的物理可解释性、泛化及迁移能力、跨数据-跨场景-跨领域应用水平等关键问题。
研究贡献
1. 发展阶段与演变趋势
本文梳理并归纳了遥感变化检测随着人工智能技术发展和演变的时间脉络图（如图1所示），主要包括为三个阶段：数据驱动的变化检测阶段、模型驱动的变化检测阶段和数据-模型-知识共同驱动的变化检测阶段。
图1 遥感变化检测伴随人工智能技术发展的时间脉络图
2. 传统继承与转型发展
从遥感变化检测过程与先验样本的结合方式所划分的无监督、监督和弱监督三类变化检测方法出发，探讨了遥感变化检测技术的传统继承和转型发展方向，并分析不同发展阶段的技术方法特点。
无监督变化检测主要包含两个关键步骤（如图2所示）：（1）多时相影像比较，构建差异影像，以突出变化信息；（2）建立变化检测模型，分析差异特征并从中提取变化区域。随着遥感影像空间和光谱分辨率的提升，延续并突破传统无监督变化检测方法在面向更高空间分辨率和更高光谱分辨率数据时的局限性，是其转型过程中一个重要的发展方向。其中，如何有效利用时间变化目标的高空间和高光谱信息是研究的重点。另一重要前沿发展趋势是对传统方法的深度化，其核心是将人工变化特征提取转换为利用深度学习实现的深度特征提取（如图2可选模块所示）。
图2 无监督变化监测技术框架
监督变化检测本质上可看作为监督分类问题，可分为两大类方法：（1）先分类后检测（或分类后比较）方法；（2）先比较后分类方法，分别如图3（a）和（b）所示。两类方法架构中通常包含语义标签数据输入、分类器选择和变化提取三个主要步骤。早期主要关注的是多时相遥感影像的像素级分类及检测。发展中期开始利用像素邻域及上下文信息进行空-谱联合分类，同时也关注面向对象的变化检测方法。最新发展则是利用深度特征提取进一步优化空间邻域信息的表达，并开始关注场景级的变化检测。
随着机器学习对于影像特征提取能力的不断提高，提取除光谱信息外的多维变化特征并融合分类，从而实现变化目标的建模与识别，是监督变化检测技术发展中的一个重要方向。集成学习、监督无监督协同、语义层变化检测等均是重要的发展方向。在深度学习影响下，传统监督变化检测方法也开始逐渐走向深度化。对于先分类后检测方法来说，深度学习网络可对单时相影像提取多层、多尺度的深度特征并用于分类，再比较分类结果从而定位检测出变化（如图3（a））。对于先比较后分类方法来说，首先对输入的双时相遥感影像生成初始变化差异特征，再利用深度检测网络实现深度变化特征的提取与检测（见图3（b））。
(a) 先分类后监测框架
(b) 先比较后分类框架
图3 两种典型的监督变化监测技术框架
弱监督变化检测是为了克服先验标签信息不足而产生的，其核心在于引入未标记信息，并且结合使用有限的可靠先验信息，两者共同参与获得变化检测结果。传统的弱监督变化检测方法实质上仍是监督型变化检测，但关注点在于样本的生成、筛选、过滤以及标签强化等。受机器学习特别是深度学习影响下，弱监督变化检测从传统模型走向深度化的过程中演变出了两种典型架构。
一种是基于不完全监督的深度变化检测架构（如图4（a）），其关键步骤包括：深度变化检测网络、特征空间对齐和重构网络的构建。该架构中有标签和无标签的训练数据分两路交替训练，经过变化检测网络后不同标签类型获得的结果精度评价标准不一致，所以需要额外使用一个损失函数（Loss2）协助特征空间对齐。重构网络和决定训练是否终止的损失函数（Loss3）的定义与构建，也是影响最终检测精度的关键之一。该架构的主要特点在于只需部分有良好标签的数据，因此普适性较高、可跨数据集使用。
另一种是基于不精确和不确切监督的深度变化检测方法（如图4（b）所示），包含了初步变化提取比较模块、深度变化检测网络以及标签重构模块。其中关键步骤在于深度变化检测网络的构建以及标签重构。其中标签重构产生的误差会传递给变化检测模块并最终影响检测精度。
(a) 不完全监督的变化监测
(b) 不确切/不精确监督的变化检测
图4 两种弱监督深度变化检测技术框架
3.挑战与展望
（1）数据层面——多源异构大数据的集成与处理
异构数据集成的挑战：利用来自不同传感器、不同分辨率甚至是不同维度的数据（如光学、SAR、LiDAR等），需着重考虑不同域、不同统计分布及图像间不一致的类别标签，尤其是不同类型传感器测量的不同物理量不可直接拿来比较等问题。现有工作以小尺度、有限源、双时相的遥感影像为主，对于多源异构、大尺度变化检测研究甚少。如何解决多模态数据的协同分析处理难题，有效地抑制或消除异构数据导致的时-空-谱信息表达不一致，既是今后变化检测研究中一个重要的研究方向，也是面临的重要挑战。
高精度预处理的挑战：多源异构遥感数据的输入极大地增加了多时相预处理的难度，如考虑多源数据的特征匹配、多分辨率影像的高精度校正和配准等。而影像空间分辨率及数据质量的提升，不可避免地引入如光照、地形、阴影等成像环境所造成的伪变化。如何实现多源异构数据的高精度预处理，有效消除成像环境差异导致的伪变化信息，保留地表真实变化信息，是亟需关注的重点问题之一。
多维变化提取融合的挑战：对于异源、异质甚至异维的遥感影像而言，数据本身存在巨大的本质及语义鸿沟，目前仍未具备有效的理论技术方案以满足其高效融合的需求。同时，随着多角度光学卫星立体观测、激光测高、InSAR数据处理的广泛深入，将促使遥感变化检测从二维走向三维，实现多维度的变化目标描述。如何构建跨越数据语义鸿沟的多维变化提取与融合方法，实现更为立体化、多样化的变化专题信息提取，是需要重点关注的又一研究方向。
（2）模型层面：智能化变化检测模型
从二类到多类检测：当前大部分无监督算法研究仍只关注二类变化检测问题，对于多类变化检测问题探索仍处于初级阶段。在大范围地理区域、复杂地表类别等变化检测场景中，变化类型的显著性不一、数量不均衡、受伪变化影响大，如何利用无监督的方式有效捕获多类变化特征，以此建立不同时相数据之间的变化表征，综合考虑数据-模型的强耦合关联关系，以提升无监督模型在跨数据源、跨场景上的鲁棒性，将是今后无监督自动变化检测研究中的重点和难点。
样本学习与质量提升：一方面应考虑如何构建自动化的样本学习和扩增方式以减少人工标注，同时采用迁移学习、主动学习、强化学习等多种手段提高高质量标注数据或者变化特征的获取，以有效解决小样本、不平衡样本、不精确样本下的变化检测难题。另一方面需要探索非监督与监督变化检测的有效结合方式，特别是如何将两者优势特点充分体现在深度网络架构设计中，协同实现复杂地表变化的高精度建模。
模型智能化：未来的变化检测方法构建需考虑“数据-模型-知识”三者耦合驱动下的新模型，从“小数据”向“大数据”延伸，从物理模型和算法模型分离到两者耦合关联，从本领域知识拓展至跨领域知识驱动。重点突破模型的物理可解释性、泛化及迁移能力，解决在无样本、少样本和有样本场景下的智能化检测应用难题。
（3）应用层面：高可信变化检测应用
现有变化检测模型应用的效率和精度与实际精细化检测应用需求相比还存在较大差距，特别是以应用驱动的智能化、高可信变化检测成功案例少之甚少。在物联网、云计算、大数据等背景下，多时相遥感变化检测将是一种不断完善社会服务、以需求为导向性质的技术，如何将其真正应用落地（如智慧农业、智慧城市、智慧海洋）有待深入思考，而不只是局限于单一算法模型精度的不断提升。
面向高水平的变化检测应用需要重点考虑如下几点：
构建面向多源多模态数据的算法模型，提升模型在跨区域、跨要素、跨数据集上的泛化能力与应用水平；
打破常规双时相、多时相固定输入及在小数据、小场景上的限制，实现时相域上近实时和长时序、空间域上大范围、大场景的变化检测应用；
打通“要素-对象-场景-功能”的变化检测应用，实现复杂场景下“变化检测”到“变化解释”的跨越；
将传统意义上的本地单机化检测处理迁移至云计算平台（如Google Earth Engine等），以有效降低数据存储和计算成本，促使低成本、大尺度、长时序、高性能的“云”变化检测应用成为可能。
研究结论
以光学遥感影像变化检测问题为例，回顾了人工智能时代背景下多时相遥感影像变化检测技术的转型和发展趋势。
在机器学习的深度参与和影响下，遥感变化检测技术从数据驱动正迈向数据-模型-知识的耦合驱动，从简单的人工特征提取走向智能化的深度特征表达，从样本信息的未充分利用走向更为精准的样本学习与反馈，从简单变化检测任务走向更为复杂的多源、多类、多场景、多时序应用任务。
当前变化检测技术仍面临的来自于数据、模型和应用层面的挑战，重点需突破模型的物理可解释性、泛化及迁移能力、跨数据-跨场景-跨领域应用水平等关键问题。
展望未来，多模态遥感变化检测、有效样本学习策略与模型耦合、非监督与监督模型组合、高可信和智能化变化检测服务、云平台变化检测应用等将是今后可关注的重要发展趋势和热点研究主题。
作者简介
第一作者：柳思聪，同济大学测绘与地理信息学院，副教授，研究领域为遥感光谱信息处理与分析。
E-mail:sicong.liu@tongji.edu.cn
研究团队：同济大学航天测绘遥感与深空探测研究团队，童小华院士负责。实验室聚焦航天测绘遥感科学问题，突破精准遥感时空机理、精准遥感智能处理和精准遥感质量提升核心问题，解决航天测绘遥感空间信息基础理论和关键技术，为国家空间科学研究和航天重大工程（月球、火星、小行星探测，地球观测等）提供科技支撑。主要研究方向有：新型航天精密遥感理论方法、航天测绘遥感大数据智能处理、月球与行星遥感测图与导航定位、航天测绘遥感空间信息系统。
论文信息
题目：人工智能时代的遥感变化检测技术：继承、发展与挑战
发表期刊：遥感学报
论文链接：
https://www.ygxb.ac.cn/thesis/91/28101183/zh/
本文转载自遥感学报
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
