A Novel Unsupervised Change Detection Network Based on Legendre Multiwavelet Theory and Depthwise Convolution With Channel Gating
Notice bibliographique
Résumé
Synthetic Aperture Radar (SAR) image change detection is a fundamental task in remote sensing image analysis. However, the poor discriminability of image change features and the low detectability in complex change regions, such as farmland, and riverbanks, are challenging for unsupervised learning methods. To address these challenges, this paper proposes a novel unsupervised learning network architecture based on Legendre Multi-wavelet theory and Depthwise Convolution with Channel Gating (LWDCG). In LWDCG, we first design an Legendre Wavelet Channel Attention module leveraging LW transform to decompose SAR image into multi-wavelet multi-scale representations and combining with a channel attention mechanism to enhance discriminative feature learning. Then, we employ a hierarchical strategy integrating with Possibilistic C-Means clustering to enhance clustering performance. Furthermore, we introduce a DCG module integrating depthwise separable convolution with a gating mechanism. This design enables both efficient feature extraction and dynamic filtering of change-sensitive features, significantly improving detection performance in complex regions. Finally, Extensive experiments on three public SAR datasets (Sulzberger, Ottawa, and Yellow River) demonstrate the effectiveness of our approach, achieving percentage of correct classification (PCC) of 98.88%, 98.46%, and 95.73%, respectively. The results validate the rationality and superiority of the proposed network architecture in SAR change detection tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».