Change detection is an important task in the field of remote sensing. Various change detection methods based on convolutional neural networks (CNNs) have recently been proposed for remote sensing using satellite or aerial images. However, existing methods allow only the partial use of content information in images during change detection because they adopt simple feature similarity measurements or pixel-level loss functions to construct their network architectures. Therefore, when these methods are applied to complex urban areas, their performance in terms of change detection tends to be limited. In this article, a novel CNN-based change detection approach, referred to as a local similarity Siamese network (LSS-Net), with a cosine similarity measurement, was proposed for better urban land change detection in remote sensing images. To use content information on two sequential images, a new change attention map-based content loss function was developed in this study. In addition, to enhance the performance of the LSS-Net in terms of change detection, a suitable feature similarity measurement method, incorporated into a local similarity attention module, was determined through systemic experiments. To verify the change detection performance of the LSS-Net, it was compared with other state-of-the-art methods. The experimental results show that the proposed method outperforms the state-of-the-art methods in terms of the F1 score (0.9630, 0.9377, and 0.7751) and kappa (0.9581, 0.9351, and 0.7646) on the three test datasets, thus suggesting its potential for various remote sensing applications.

中文翻译：

---

遥感影像的城市土地变化检测的局部相似性连体网络

变化检测是遥感领域的重要任务。最近已经提出了基于卷积神经网络（CNN）的各种变化检测方法，用于使用卫星或航空图像进行遥感。但是，现有方法仅允许在更改检测期间部分使用图像中的内容信息，因为它们采用简单的特征相似性测量或像素级丢失功能来构建其网络体系结构。因此，当将这些方法应用于复杂的城市区域时，它们在变更检测方面的性能往往会受到限制。在本文中，提出了一种新颖的基于CNN的变化检测方法，称为局部相似性暹罗网络（LSS-Net），具有余弦相似性度量，可以更好地检测遥感图像中的城市土地变化。为了在两个连续图像上使用内容信息，在这项研究中开发了一个新的基于更改注意图的内容丢失功能。另外，为了提高LSS-Net在变化检测方面的性能，通过系统实验确定了一种合适的特征相似性测量方法，该方法被并入了局部相似性注意模块中。为了验证LSS-Net的更改检测性能，将其与其他最新方法进行了比较。实验结果表明，在三个测试数据集上，该方法在F1分数（0.9630、0.9377和0.7751）和kappa（0.9581、0.9351和0.7646）方面均优于最新方法，这表明其在各种遥感应用中的潜力。在这项研究中开发了一个新的基于更改注意图的内容丢失功能。另外，为了提高LSS-Net在变化检测方面的性能，通过系统实验确定了一种合适的特征相似性测量方法，该方法被并入了局部相似性注意模块中。为了验证LSS-Net的更改检测性能，将其与其他最新方法进行了比较。实验结果表明，在三个测试数据集上，该方法在F1分数（0.9630、0.9377和0.7751）和kappa（0.9581、0.9351和0.7646）方面均优于最新方法，这表明其在各种遥感应用中的潜力。在这项研究中开发了一个新的基于更改注意图的内容丢失功能。另外，为了提高LSS-Net在变化检测方面的性能，通过系统实验确定了一种合适的特征相似性测量方法，该方法被并入了局部相似性注意模块中。为了验证LSS-Net的更改检测性能，将其与其他最新方法进行了比较。实验结果表明，在三个测试数据集上，该方法在F1分数（0.9630、0.9377和0.7751）和kappa（0.9581、0.9351和0.7646）方面均优于最新方法，这表明其在各种遥感应用中的潜力。通过系统实验确定了适合的特征相似度测量方法，该方法已纳入局部相似度注意模块中。为了验证LSS-Net的更改检测性能，将其与其他最新方法进行了比较。实验结果表明，在三个测试数据集上，该方法在F1分数（0.9630、0.9377和0.7751）和kappa（0.9581、0.9351和0.7646）方面均优于最新方法，这表明其在各种遥感应用中的潜力。通过系统实验确定了适合的特征相似度测量方法，该方法已纳入局部相似度注意模块中。为了验证LSS-Net的更改检测性能，将其与其他最新方法进行了比较。实验结果表明，在三个测试数据集上，该方法在F1分数（0.9630、0.9377和0.7751）和kappa（0.9581、0.9351和0.7646）方面均优于最新方法，这表明其在各种遥感应用中的潜力。