پیوندهای مفید
آمار
| تعداد نشریات | 11 |
| تعداد شماره‌ها | 227 |
| تعداد مقالات | 2,293 |
| تعداد مشاهده مقاله | 3,565,380 |
| تعداد دریافت فایل اصل مقاله | 2,608,901 |
مروری نظام‌مند بر روش‌های یادگیری ماشین در شناسایی تغییرات تصاویر راداری و اپتیکی با تمرکز بر یادگیری عمیق | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 شهریور 1404 اصل مقاله (2.05 M) | ||
| نوع مقاله: مقاله مروری | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2025.12190.1104 | ||
| نویسندگان | ||
| محمدرضا زرگر1؛ امیر آقابالائی* 2؛ صفا خزائی3؛ علی مهتدی4 | ||
| 1گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران | ||
| 2گروه نقشه برداری و داده های مکانی، دانشکده عمران، آب و انرژی، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 3گروه مهندسی اثر، دانشکده پدافند غیرعامل، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 4گروه نقشه برداری، دانشکده فنی و مهندسی، موسسه آموزش عالی حکمت، قم، ایران | ||
| تاریخ دریافت: 09 اردیبهشت 1404، تاریخ بازنگری: 31 تیر 1404، تاریخ پذیرش: 14 شهریور 1404 | ||
| چکیده | ||
| پیشینه و اهداف: با گسترش داده‌های سنجش از دور راداری و افزایش دسترسی به تصاویر باکیفیت از طریق سنجنده‌هایی مانند سنتینل-۱، تحلیل تغییرات در سطح زمین از طریق یادگیری عمیق به یکی از حوزه‌های راهبردی و نوظهور در علوم مکانی تبدیل شده است. تصاویر راداری با قابلیت تصویربرداری شبانه‌روزی، نفوذ در ابر، و حساسیت به ویژگی‌های ساختاری زمین، اطلاعات غنی اما پیچیده‌ای فراهم می‌کنند که تحلیل آن‌ها نیازمند بهره‌گیری از معماری‌های هوشمند یادگیری ماشین است. در این راستا، مقاله حاضر با هدف مرور نظام‌مند روش‌های مبتنی بر یادگیری عمیق در شناسایی تغییرات در تصاویر راداری، با تمرکز بر تحلیل تطبیقی معماری‌ها، نقاط قوت و ضعف آن‌ها و چشم‌اندازهای آینده طراحی شده است. روش‌ها: این مرور بر اساس رویکرد مرور نظام‌مند در بازه زمانی ۲۰۱۴ تا ۲۰۲۵، شامل ۴۴ مقاله منتخب از پایگاه‌های معتبر مانند IEEE، Elsevier و MDPI است. معیارهای انتخاب شامل استفاده از داده‌های SAR، بهره‌گیری از الگوریتم‌های یادگیری عمیق، گزارش معیارهای کمی مانند دقت و F1-score و کاربردهای عملیاتی در حوزه‌هایی چون پایش شهری، منابع طبیعی و بلایای طبیعی بوده است. مقالات بر اساس نوع یادگیری (نظارتی، بدون‌نظارت، خودنظارتی، چندمنبعی) و نوع معماری (MLP، CNN، U-Net، Autoencoder، LSTM، GAN و MSCDUNet) طبقه‌بندی شده‌اند و در قالب جداول مقایسه‌ای تحلیل شده‌اند. یافته‌ها: نتایج نشان می‌دهد معماری‌های نظارت‌شده نظیر U-Net با دقت تا 95% و F1 در بازه 85/0 تا 93/0، به‌ویژه در کاربردهای شهری و ارزیابی خسارات بلایای طبیعی، بهترین عملکرد را داشته‌اند. در حوزه بدون‌نظارت، ترکیب CNN با خوشه‌بندی فازی (FCM) به دقتی تا 6/99% دست یافته است. مدل‌های مبتنی بر Autoencoder در کاهش نویز و فشرده‌سازی اطلاعات موفق عمل کرده‌اند و معماری‌های GAN با داده‌افزایی، عملکرد شبکه‌ها را بهبود بخشیده‌اند. مدل‌های چندمنبعی مانند MSCDUNet که داده‌های راداری و نوری را تلفیق می‌کنند، F1 معادل 93/0 را گزارش کرده‌اند. با این حال، کمبود گزارش‌های کمی استاندارد مانند F1، ضعف تعمیم‌پذیری مدل‌ها، و پیچیدگی پردازش داده‌های ناهمگن، از چالش‌های موجود محسوب می‌شود. نتیجه‌گیری: با وجود پیشرفت‌های چشمگیر در کاربرد یادگیری عمیق در شناسایی تغییرات، چالش‌هایی مانند کمبود داده‌های برچسب‌خورده، عدم دسترسی به مجموعه‌داده‌های مرجع چندمنبعی، و ضعف الگوریتم‌های سبک برای کاربردهای بلادرنگ همچنان پابرجاست. توسعه الگوریتم‌های خودنظارتی مانند یادگیری تضادمحور، طراحی معماری‌های مقاوم به نویز و سبک برای UAVها و سامانه‌های لبه‌ای، و تدوین پایگاه‌های داده باز و معیارمحور از جمله اولویت‌های آتی این حوزه است. مطالعه حاضر با ارائه طبقه‌بندی ساختاریافته و تحلیل تطبیقی عملکرد الگوریتم‌ها، تلاش دارد زمینه تصمیم‌سازی هوشمند در طراحی سامانه‌های تحلیل تغییرات را برای پژوهشگران و توسعه‌دهندگان مهیا سازد. | ||
| کلیدواژه‌ها | ||
| شناسایی تغییرات؛ سنجش از دور؛ تصویر راداری؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| A Systematic Review of Machine Learning Methods for Change Detection in Radar and Optical Images with a Focus on Deep Learning | ||
| نویسندگان [English] | ||
| M.R. Zargar1؛ A. Aghabalaei2؛ S.a Khazai3؛ A. Mohtadi4 | ||
| 1Department of Photogrammetry and Remote Sensing, School of Surveying and Geospatial Engineering, University of Tehran, Tehran, Iran | ||
| 2Department of Surveying and Spatial Data, Faculty of Civil Engineering, Water and Energy, Imam Hossein Comprehensive University, Tehran, Iran | ||
| 3Department of Signature engineering, Faculty of Passive Defense, Imam Hossein Comprehensive University, Tehran, Iran | ||
| 4Department of Surveying Engineering, Faculty of Technology and Engineering, Hekmat Higher Educational Institute, Qom, Iran | ||
| چکیده [English] | ||
| Background and Objectives: With the expansion of radar remote sensing data and increased access to high-resolution imagery through sensors such as Sentinel-1, change detection using deep learning has emerged as a strategic and innovative field in geospatial sciences. Radar imagery, with its capabilities for day-and-night imaging, cloud penetration, and sensitivity to structural characteristics of the Earth’s surface, provides rich but complex data requiring advanced machine learning architectures for effective analysis. Accordingly, this study aims to systematically review deep learning-based methods for change detection in radar images, with a focus on comparative analysis of architectures, their strengths and limitations, and future research directions. Methods: This systematic review covers literature published between 2014 and 2025 and includes 44 selected studies from reputable databases such as IEEE, Elsevier, and MDPI. Inclusion criteria involved the use of SAR data, application of deep learning algorithms, availability of quantitative performance metrics (e.g., accuracy and F1-score), and operational relevance in domains such as urban monitoring, natural resource assessment, and disaster management. The studies were classified based on the type of learning approach (supervised, unsupervised, self-supervised, multi-source) and architecture used (MLP, CNN, U-Net, Autoencoder, LSTM, GAN, MSCDUNet), and were analyzed using comparative tables. Findings: The results indicate that supervised architectures such as U-Net performed best in urban and disaster-related applications, achieving up to 95% accuracy and F1-scores between 0.85 and 0.93. In unsupervised approaches, combining CNN with fuzzy clustering (FCM) reached accuracy levels up to 99.6%. Autoencoder-based models were successful in denoising and feature compression, while GAN architectures improved network performance through data augmentation. Multi-source models like MSCDUNet, integrating radar and optical data, reported F1-scores of up to 0.93. However, challenges persist, including inconsistent reporting of standard metrics such as F1, limited generalizability of models, and the computational complexity of processing heterogeneous datasets. Conclusion: Despite significant advancements in the use of deep learning for change detection, ongoing challenges include the scarcity of labeled data, lack of publicly available benchmark multi-source datasets, and the limited availability of lightweight algorithms for real-time applications. Future research should prioritize self-supervised methods such as contrastive learning, the development of noise-resistant and lightweight architectures for UAV and edge deployments, and the creation of standardized open-access datasets with comprehensive metrics. This study, by offering a structured classification and comparative evaluation of algorithms, aims to inform intelligent decision-making in the design of change detection systems for researchers and developers alike. | ||
| کلیدواژه‌ها [English] | ||
| Change Detection, Remote Sensing, Radar Image, Deep Learning | ||
| مراجع | ||
|
[1] Parelius EJ. A review of deep-learning methods for change detection in multispectral remote sensing images. Remote Sens. 2023;15(8). doi:10.3390/rs15082092. [2] Cheng G, et al. Change detection methods for remote sensing in the last decade: A comprehensive review. arXiv Preprint arXiv:2305.05813. 2023. [3] Wang R, Wang W, Dong P, Haojiang W, Jiao L, Chen JW. SAR image change detection via a few-shot learning-based neural network. In: IGARSS 2021 - IEEE Int Geosci Remote Sens Symp; 2021 Jul. p. 5287–90. doi:10.1109/IGARSS47720.2021.9554705. [4] Khan SH, He X, Porikli F, Bennamoun M. Forest change detection in incomplete satellite images with deep neural networks. IEEE Trans Geosci Remote Sens. 2017;55(9):5407–23. doi:10.1016/j.knosys.2023.110281. doi:10.1109/IGARSS.2019.8898344. doi:10.1109/IGARSS.2016.7730355. [8] Liu J, Gong M, Zhao J, Li H, Jiao L. Difference representation learning using stacked restricted Boltzmann machines for change detection in SAR images. Soft Comput. 2016; 20(12):4645–57. doi:10.1007/s00500-014-1460-0. doi:10.1109/IGARSS.2017.8128171. [10] Lv N, Chen C, Qiu T, Sangaiah AK. Deep learning and superpixel feature extraction based on contractive autoencoder for change detection in SAR images. IEEE Trans Ind Inform. 2018;14(12):5530–8. doi:10.1109/TII.2018.2873492. [11] Mbaye M, Ngom N, Faye G, Baratoux D. Change detection and machine learning approach for mapping artisanal small-scale gold mining using C-band SAR and Google Earth Engine. 2021;GC24A-06. [12] Duan H, Dong X, You S, Han S. A deep learning denoising framework based on FFDNet for SAR image change detection. In: ICEIEC 2021 - IEEE Int Conf Electron Inf Emerg Commun; 2021 Jun. p. 1–4. doi:10.1109/ICEIEC51955.2021.9463810. [13] Zhang K, Zuo W, Zhang L. FFDNet: Toward a fast and flexible solution for CNN based image denoising. IEEE Trans Image Process. 2018;27(9):4608–22. doi:10.1109/TIP.2018.2839891. [14] Wang R, Zhang J, Chen J, Jiao L, Wang M. Imbalanced learning-based automatic SAR images change detection by morphologically supervised PCA-Net. IEEE Geosci Remote Sens Lett. 2019;16(4):554–8. doi:10.1109/LGRS.2018.2878420. doi:10.1109/TIP.2015.2475625. [16] Gao Y, Gao F, Dong J, Du Q, Li H-C. Synthetic aperture radar image change detection via Siamese adaptive fusion network. IEEE J Sel Top Appl Earth Obs Remote Sens. 2021;14:10748–60. doi:10.1109/JSTARS.2021.3120381. [17] Peng J, et al. A parallel change detection method for spatiotemporally multi-temporal SAR image based on Q-learning and wavelet. In: 14th Int Conf Digital Image Process (ICDIP 2022); 2022 Oct. p. 1078–91. doi:10.1117/12.2644622. [18] Sun X, Wang B, Wang Z, Li H, Li H, Fu K. Research progress on few-shot learning for remote sensing image interpretation. IEEE J Sel Top Appl Earth Obs Remote Sens. 2021;14:2387–402. doi:10.1109/JSTARS.2021.3052869. [19] Jaturapitpornchai R, Matsuoka M, Kanemoto N, Kuzuoka S, Ito R, Nakamura R. SAR-image based urban change detection in Bangkok, Thailand using deep learning. In: IGARSS 2019; 2019 Jul. p. 7403–6. doi:10.1109/IGARSS.2019.8899341. [21] Du Z, Li X, Miao J, Huang Y, Shen H, Zhang L. Concatenated deep-learning framework for multitask change detection of optical and SAR images. IEEE J Sel Top Appl Earth Obs Remote Sens. 2024;17:719–31. doi:10.1109/JSTARS.2023.3333959. [22] Murdaca G, Ricciuti F, Rucci A, Le Saux B, Fumagalli A, Prati C. A semi-supervised deep learning framework for change detection in open-pit mines using SAR imagery. Remote Sens. 2023;15(24):Article 24. doi:10.3390/rs15245664. doi:10.1109/LGRS.2021.3050746. [24] Alatalo J, Sipola T, Rantonen M. Improved difference images for change detection classifiers in SAR imagery using deep learning. IEEE Trans Geosci Remote Sens. 2023;61:1–14. doi:10.1109/TGRS.2023.3324994. [25] Gong M, Yang H, Zhang P. Feature learning and change feature classification based on deep learning for ternary change detection in SAR images. ISPRS J Photogramm Remote Sens. 2017;129:212–25. doi:10.1016/j.isprsjprs.2017.05.001. [26] Cui B, Zhang Y, Yan L, Wei J, Wu H. An unsupervised SAR change detection method based on stochastic subspace ensemble learning. Remote Sens. 2019;11(11):Article 11. doi:10.3390/rs11111314. doi:10.1109/ACCESS.2020.3042017. [28] Zhang X, et al. Two-phase object-based deep learning for multi-temporal SAR image change detection. Remote Sens. 2020;12(3):Article 3. doi:10.3390/rs12030548. [29] Robust unsupervised small area change detection from SAR imagery using deep learning. ISPRS J Photogramm Remote Sens. 2021;173:79–94. doi:10.1016/j.isprsjprs.2021.01.004. [30] Ghosh C, Majumdar D, Mondal B. A deep learning-based SAR image change detection using spatial intuitionistic fuzzy C-means clustering. Trans GIS. 2022;26(6):2519–35. doi:10.1111/tgis.12966. [31] Keshk HM, Yin X-C. Change detection in SAR images based on deep learning. Int J Aeronaut Space Sci. 2020;21(2):549–59. doi:10.1007/s42405-019-00222-0. [32] Dong H, et al. A contrastive learning transformer for change detection in high-resolution SAR images. SSRN [Preprint]. 2022 Jul 22. doi:10.2139/ssrn.4169439. [33] Zhang J. Multi-source remote sensing data fusion: status and trends. Int J Image Data Fusion. 2010;1(1):5–24. doi:10.1080/19479830903561035. doi:10.1109/JSTARS.2022.3181155. [35] Zhou Z, Siddiquee MMR, Tajbakhsh N, Liang J. UNet++: A nested U-Net architecture for medical image segmentation. arXiv [Preprint]. 2018 Jul 18. doi:10.48550/arXiv.1807.10165. [36] Cheng G, Huang Y, Li X, Lyu S, Xu Z, Zhao H, Zhao Q, Xiang S. Change detection methods for remote sensing in the last decade: A comprehensive review. Remote Sens. 2024; 16(13):2355. doi:10.3390/rs16132355. [37] Yu Z, Li T, Zhu Y, Pan R. Exploring foundation models in remote sensing image change detection: A comprehensive survey [Preprint]. arXiv:2410.07824 [cs.CV]. 2024 [cited 2025 Jun 12]. https://doi.org/10.48550/arXiv.2410.07824 [38] Shafique A, Cao G, Khan Z, Asad M, Aslam M. Deep learning-based change detection in remote sensing images: A review. Remote Sens. 2022;14(4):871. doi:10.3390/rs14040871. [39] Wang L, Zhang M, Gao X, Shi W. Advances and challenges in deep learning-based change detection for remote sensing images: A review through various learning paradigms. Remote Sens. 2024;16(5):804. doi:10.3390/rs16050804. [40] Gao F, Wang X, Gao Y, Dong J, et al. Sea ice change detection in SAR images based on convolutional-wavelet neural networks. IEEE Geosci Remote Sens Lett. 2019;PP(99):1–5. doi:10.1109/LGRS.2019.2895656. [41] Chen H, Jiao L, Liang M, Liu F, Yang S, Hou B. Fast unsupervised deep fusion network for change detection of multitemporal SAR images. Neurocomputing. 2019 Mar 7;332:56–70. doi:10.1109/ACCESS.2020.3008036. [44] Gong M, Zhao J, Liu J, Miao Q, Jiao L. Change detection in synthetic aperture radar images based on deep neural networks. IEEE Trans Neural Netw Learn Syst. 2016;27(1):125–38. doi:10.1109/TNNLS.2015.2435783. | ||
|
آمار تعداد مشاهده مقاله: 138 تعداد دریافت فایل اصل مقاله: 58 |
||