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
本研究提出了一种名为 Hi-UCD 的大规模基准数据集，通过使用具有 0.1 米空间分辨率的航空影像和分别分为九个地表覆盖类别的语义标注数据，以获取地面物体变化方向，用于检测和分析精细化的城市变化。实验结果表明，Hi-UCD 是具有挑战性但有用的强大基准，可以加速未来的研究。
Nov, 2020
此文章综述了遥感变化检测中深度学习在图像处理中的重要性，提供了算法分类和数据集分类的综述，并总结了现有算法的性能，为未来的研究方向提供了启示。
May, 2023
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。
提出了一种新模型 BD-MSA，通过将特征图的全局和局部特征信息集合起来，从而成功地提取变化区域的边界信息并分离变化区域的主体，该模型在公开数据集 DSIFN-CD 和 S2Looking 上的评估效果是最优的。
Jan, 2024
本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。
Mar, 2021
提出了一种利用非配对图像中的对象变化作为监督信号的单时相监督学习（STAR）方法，可以利用未配对标记图像训练高精度变化检测器，并且可以推广到现实世界的双时相图像。综合实验结果表明，该方法在单时相和双时相的监督下均表现出优异性能。
Aug, 2021
为了解决深度学习在变化检测中存在的问题，本文结合度量学习和分割方法，提出了一种强大而可解释的深度变化特征学习（DeepCL）框架，通过显式建模时序关系和引导分割过程来实现可靠的变化检测。经过理论和实验的全面评估，DeepCL 框架表现出卓越的特征区分能力，在对抗伪变化方面表现得坚韧，并适用于各种变化检测算法，与现有的变化检测方法相比，具有明显的定量和定性优势。
Jul, 2023
利用 PRISMA 的高光谱数据进行变化检测，在不同的目标（从自然到城市区域）中应用了标准和深度学习方法，发现植被和建筑环境的变化能够被很好地捕捉到，但大气效应和可靠的地面真实性缺失是高光谱变化检测的主要挑战。
Oct, 2023
提出了一种新的单时序监督学习方法（STAR），用于遥感变化检测，通过利用未配对图像之间的变化来训练高准确性的变化检测器，并且适用于实际的双时序图像对。通过设计具有二进制变化检测、目标变化检测和语义变化检测能力的简单统一的 ChangeStar2 算法，STAR 的灵活性和可伸缩性得到了证明，该算法在八个公共遥感变化检测数据集上取得了最先进的性能。
Jun, 2024