The Earth’s surface changes continuously due to several natural and humanmade factors. Efficient change detection (CD) is useful in monitoring and managing different situations. The recent rise in launched hyperspectral platforms provides a diversity of spectrum in addition to the spatial resolution required to meet recent civil applications requirements. Traditional multispectral CD algorithms hardly cope with the complex nature of hyperspectral images and their high dimensionality. To overcome these limitations, a CD deep convolutional neural network (CNN) semantic segmentation-based workflow was proposed. The proposed workflow is composed of four main stages, namely preprocessing, training, testing, and evaluation. Initially, preprocessing is performed to overcome hyperspectral image noise and the high dimensionality problem. Random oversampling (ROS), deep learning, and bagging ensemble were incorporated to handle imbalanced dataset. Also, we evaluated the generality and performance of the original UNet model and four variants of UNet, namely residual UNet, residual recurrent UNet, attention UNet, and attention residual recurrent UNet. Three hyperspectral CD datasets were employed in performance assessment for binary and multiclass change cases; all datasets suffer from class imbalance and small region of interest size. Recurrent residual UNet presented the best performance in both accuracy and inference time. Overall, the obtained results imply that deep CNN segmentation models can be utilized to implement efficient CD for hyperspectral imageries.

中文翻译：

---

基于UNet神经网络修改的高光谱变化检测

由于多种自然和人为因素，地球表面不断变化。高效的变更检测 (CD) 可用于监控和管理不同的情况。除了满足最近的民用应用要求所需的空间分辨率之外，最近发射的高光谱平台的兴起还提供了光谱的多样性。传统的多光谱 CD 算法很难处理高光谱图像的复杂性及其高维数。为了克服这些限制，提出了一种基于 CD 深度卷积神经网络 (CNN) 语义分割的工作流程。建议的工作流程由四个主要阶段组成，即预处理、训练、测试和评估。最初，执行预处理以克服高光谱图像噪声和高维问题。随机过采样 (ROS)、深度学习和装袋集成被合并来处理不平衡的数据集。此外，我们评估了原始 UNet 模型和 UNet 的四个变体，即残差 UNet、残差循环 UNet、注意力 UNet 和注意力残差循环 UNet 的通用性和性能。三个高光谱 CD 数据集用于二元和多类变化案例的性能评估；所有数据集都存在类别不平衡和感兴趣区域大小小的问题。循环残差 UNet 在准确性和推理时间方面表现最佳。总的来说，获得的结果意味着深度 CNN 分割模型可用于实现高光谱图像的高效 CD。我们评估了原始 UNet 模型和 UNet 的四个变体，即残差 UNet、残差循环 UNet、注意力 UNet 和注意力残差循环 UNet 的通用性和性能。三个高光谱 CD 数据集用于二元和多类变化案例的性能评估；所有数据集都存在类别不平衡和感兴趣区域大小小的问题。循环残差 UNet 在准确性和推理时间方面表现最佳。总的来说，获得的结果意味着深度 CNN 分割模型可用于实现高光谱图像的高效 CD。我们评估了原始 UNet 模型和 UNet 的四个变体，即残差 UNet、残差循环 UNet、注意力 UNet 和注意力残差循环 UNet 的通用性和性能。三个高光谱 CD 数据集用于二元和多类变化案例的性能评估；所有数据集都存在类别不平衡和感兴趣区域大小小的问题。循环残差 UNet 在准确性和推理时间方面表现最佳。总的来说，获得的结果意味着深度 CNN 分割模型可用于实现高光谱图像的高效 CD。三个高光谱 CD 数据集用于二元和多类变化案例的性能评估；所有数据集都存在类别不平衡和感兴趣区域大小小的问题。循环残差 UNet 在准确性和推理时间方面表现最佳。总的来说，获得的结果意味着深度 CNN 分割模型可用于实现高光谱图像的高效 CD。三个高光谱 CD 数据集用于二元和多类变化案例的性能评估；所有数据集都存在类别不平衡和感兴趣区域大小小的问题。循环残差 UNet 在准确性和推理时间方面表现最佳。总的来说，获得的结果意味着深度 CNN 分割模型可用于实现高光谱图像的高效 CD。