Street Scene Change Detection (SSCD) aims to locate the changed regions between a given street-view image pair captured at different times, which is an important yet challenging task in the computer vision community. The intuitive way to solve the SSCD task is to fuse the extracted image feature pairs, and then directly measure the dissimilarity parts for producing a change map. Therefore, the key for the SSCD task is to design an effective feature fusion method that can improve the accuracy of the corresponding change maps. To this end, we present a novel Hierarchical Paired Channel Fusion Network (HPCFNet), which utilizes the adaptive fusion of paired feature channels. Specifically, the features of a given image pair are jointly extracted by a Siamese Convolutional Neural Network (SCNN) and hierarchically combined by exploring the fusion of channel pairs at multiple feature levels. In addition, based on the observation that the distribution of scene changes is diverse, we further propose a Multi-Part Feature Learning (MPFL) strategy to detect diverse changes. Based on the MPFL strategy, our framework achieves a novel approach to adapt to the scale and location diversities of the scene change regions. Extensive experiments on three public datasets (i.e., PCD, VL-CMU-CD and CDnet2014) demonstrate that the proposed framework achieves superior performance which outperforms other state-of-the-art methods with a considerable margin.

中文翻译：

---

用于街道场景变化检测的分层配对通道融合网络

街景变更检测（SSCD）的目的是定位在不同时间捕获的给定街景图像对之间的变化区域，这是计算机视觉社区中一项重要但具有挑战性的任务。解决SSCD任务的直观方法是融合提取的图像特征对，然后直接测量相异部分以生成变化图。因此，SSCD任务的关键是设计一种有效的特征融合方法，以提高相应变化图的准确性。为此，我们提出了一种新颖的分层配对通道融合网络（HPCFNet），该网络利用了配对特征通道的自适应融合。特别，通过暹罗卷积神经网络（SCNN）联合提取给定图像对的特征，并通过探索多个特征级别上的通道对融合来进行层次组合。此外，基于观察到场景变化的分布是多种多样的，我们进一步提出了一种多部分特征学习（MPFL）策略来检测各种变化。基于MPFL策略，我们的框架实现了一种新颖的方法来适应场景变化区域的规模和位置多样性。在三个公共数据集（即PCD，VL-CMU-CD和CDnet2014）上进行的大量实验表明，所提出的框架实现了卓越的性能，并以可观的幅度优于其他最新方法。基于观察到场景变化的分布是多样的，我们进一步提出了一种多部分特征学习（MPFL）策略来检测各种变化。基于MPFL策略，我们的框架实现了一种新颖的方法来适应场景变化区域的规模和位置多样性。在三个公共数据集（即PCD，VL-CMU-CD和CDnet2014）上进行的大量实验表明，所提出的框架实现了卓越的性能，并以可观的幅度优于其他最新方法。基于观察到场景变化的分布是多样的，我们进一步提出了一种多部分特征学习（MPFL）策略来检测各种变化。基于MPFL策略，我们的框架实现了一种新颖的方法来适应场景变化区域的规模和位置多样性。在三个公共数据集（即PCD，VL-CMU-CD和CDnet2014）上进行的大量实验表明，所提出的框架实现了卓越的性能，并以可观的幅度优于其他最新方法。