本文介绍了一种基于无监督浅层卷积神经网络（USCNN）融合方法进行变化检测，通过使用不同大小的卷积核对双时相图像进行多尺度信息提取，将相同尺度的差异特征图通过 1*1 卷积层融合为一个特征图，最后通过 1*1 卷积层融合不同尺度的输出特征，实现图像的多尺度信息融合。实验证明了该方法在四个真实遥感数据集上的可行性和有效性。

Nov, 2023

本文介绍了一种基于深度学习方法的城市变化检测框架，该框架结合了全卷积网络和强大的循环神经网络，能够在 Sentinel-2 数据集上对城市变化进行更精确的检测。实验结果表明，该框架在测试数据集上达到了 95% 的整体精度和 1.5% 的增加变化类别 F1 值的表现。

Oct, 2019

本文利用 Copernicus Sentinel-2 提供的全球高频多光谱图像和卷积神经网络探索了城市变化检测的应用。首先，介绍了用于训练所提出的网络的新变化检测数据集；随后，提出了两种架构来检测变化，在使用不同数量的光谱通道作为输入的情况下比较了其影响；最后，从头开始使用所提供的数据集训练这些架构。

Oct, 2018

本文开发了基于时序相关性的 Pixel R-CNN 模型，可以通过学习多幅图像的时间相关性来进行自动特征提取，从而实现低成本农作物分类，对 15 种作物进行了测试。与传统算法相比，该模型在中北部意大利农业系统拥有支配性经济作物类型的数据集上获得了 96.5％的准确率，为进行多时序分类任务提供了高度准确且低成本的方法。

Apr, 2020

本文提出了一种基于深度学习的遥感图像变化检测方法，使用双支路的深度卷积神经网络用于特征提取和分类，通过在特征空间对两幅图像进行差异计算，利用生成对抗网络进行检测并构建一个大规模的数据集从而得到优于现有基线的高精度变化检测结果。

Mar, 2020

本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

Apr, 2017

本文提出了具有核对齐图像对的三种全卷积神经网络结构来执行变化检测，其中最显著的是，我们提出了两个完全卷积网络的连体扩展，利用当前问题的启发式规则在我们对两个开放变化检测数据集、使用 RGB 和多光谱图像的测试中取得了最佳结果。我们展示了我们的系统能够使用注释变化检测图像从头开始学习，我们的架构表现优于先前提出的方法，同时比相关系统快至少 500 倍。这项工作是朝着有效处理大规模地球观测系统数据的一步。

Oct, 2018

本篇论文提出了一种基于时空特征融合的 RSCD 网络 STNet，通过时间特征融合模块和空间特征融合模块强化感兴趣的变化并恢复变化表征的空间细节，实验表明该方法在三个基准数据集上取得了最先进的性能。

Apr, 2023

提出了一种基于图交互网络的双时相遥感变化检测方法，并采用 ResNet18 作为骨干网络，在 GZ CD 数据集上取得了优异的性能。

Jul, 2023

提出了一种名为 SRC-Net 的双时空关系感知网络，用于实现变化检测任务。该网络包括感知与交互模块和补丁模式联合特征融合模块，能够更好地利用时空关系，并在实验中展现了优越的性能。

Jun, 2024