Loading...
An artificial intelligence framework for land cover change detection from hyperspectral images
Katiyar, Chhaya
Katiyar, Chhaya
Citations
Altmetric:
Abstract
Hyperspectral image change detection (HSI-CD) is essential for understanding Earth surface dynamics such as ecosystem shifts, deforestation, and urban growth. Although hyperspectral data offer rich spectral detail, many deep learning methods still struggle with noisy predictions, limited contextual reasoning, and poor boundary localization. This thesis introduces the Hyperspectral Multilevel GCN and CNN Feature Fusion for Change Detection (HMGCF-CD) framework, a deep learning architecture that integrates Convolutional Neural Networks (CNNs) with Graph Convolutional Networks (GCNs) for more accurate and spatially precise change detection. CNNs extract fine-grained pixel-level features, while GCNs operate on superpixel-based graph regions to capture broader spatial structure. To bridge the mismatch between Euclidean CNN features and non-Euclidean graph features, HMGCF-CD incorporates a graph encoder–decoder that enables bidirectional feature propagation between pixels and graph nodes within a unified end-to-end architecture. The model also learns adaptive edge weights and node representations from training data. Experiments across diverse land-cover types show that HMGCF-CD consistently outperforms state-of-the-art methods. Visual and quantitative evaluations, including ablation studies that demonstrate that each component contributes meaningfully to producing sharper and more reliable change maps.
La detección de cambios en imágenes hiperespectrales (HSI-CD) es fundamental para comprender las dinámica de la superficie terrestre, incluyendo cambios en ecosistemas, deforestación y crecimiento urbano. Aunque los datos hiperespectrales ofrecen un alto nivel de detalle espectral, muchos métodos de aprendizaje profundo siguen enfrentando dificultades, como predicciones ruidosas, comprensión contextual limitada y pobre delimitación de bordes. Esta tesis presenta el marco Fusión de Características Hiperespectrales Multinivel de GCN y CNN para la Detección de Cambios (HMGCF-CD, por sus siglas en inglés), una arquitectura de aprendizaje profundo que integra Redes Neuronales Convolucionales (CNNs) con Redes de Convolución Gráfica (GCNs) para lograr una detección de cambios más precisa y con mejor definición espacial. Las CNNs extraen características de nivel píxel, mientras que las GCNs operan sobre regiones de superpíxeles para capturar relaciones espaciales más amplias. Para superar la incompatibilidad entre las características euclidianas de las CNNs y las características no euclidianas del grafo, HMGCF-CD incorpora un codificador–decodificador de grafos que permite la propagación bidireccional de características entre píxeles y nodos dentro de un marco integrado de extremo a extremo. El modelo también aprende pesos de aristas y representaciones de nodos de manera adaptativa a partir de los datos de entrenamiento. Los experimentos en diversos tipos de cobertura terrestre, demuestran que HMGCF-CD supera consistentemente a los métodos de vanguardia, tanto en precisión como en calidad de bordes. Las evaluaciones visuales y cuantitativas incluyendo estudios de ablación confirman que cada componente del marco contribuye significativamente a producir mapas de cambio más definidos y confiables.
La detección de cambios en imágenes hiperespectrales (HSI-CD) es fundamental para comprender las dinámica de la superficie terrestre, incluyendo cambios en ecosistemas, deforestación y crecimiento urbano. Aunque los datos hiperespectrales ofrecen un alto nivel de detalle espectral, muchos métodos de aprendizaje profundo siguen enfrentando dificultades, como predicciones ruidosas, comprensión contextual limitada y pobre delimitación de bordes. Esta tesis presenta el marco Fusión de Características Hiperespectrales Multinivel de GCN y CNN para la Detección de Cambios (HMGCF-CD, por sus siglas en inglés), una arquitectura de aprendizaje profundo que integra Redes Neuronales Convolucionales (CNNs) con Redes de Convolución Gráfica (GCNs) para lograr una detección de cambios más precisa y con mejor definición espacial. Las CNNs extraen características de nivel píxel, mientras que las GCNs operan sobre regiones de superpíxeles para capturar relaciones espaciales más amplias. Para superar la incompatibilidad entre las características euclidianas de las CNNs y las características no euclidianas del grafo, HMGCF-CD incorpora un codificador–decodificador de grafos que permite la propagación bidireccional de características entre píxeles y nodos dentro de un marco integrado de extremo a extremo. El modelo también aprende pesos de aristas y representaciones de nodos de manera adaptativa a partir de los datos de entrenamiento. Los experimentos en diversos tipos de cobertura terrestre, demuestran que HMGCF-CD supera consistentemente a los métodos de vanguardia, tanto en precisión como en calidad de bordes. Las evaluaciones visuales y cuantitativas incluyendo estudios de ablación confirman que cada componente del marco contribuye significativamente a producir mapas de cambio más definidos y confiables.
Description
Date
2025-12-16
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
Change Detection, Remote Sensing, Deep Learning, Hyperspectral Imagery, Graph Convolution Network, Convolutional Neural Network