全卷积孪生网络用于变化检测

Oct, 2018

Fully Convolutional Siamese Networks for Change Detection

Rodrigo Caye Daudt, Bertrand Le Saux, Alexandre Boulch

TL;DR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。

Abstract

This paper presents three fully convolutional neural network architectures which perform change detection using a pair of coregistered images. Most notably, we propose two siamese extensions of fully convolutiona

convolutional neural networks change detection siamese extensions rgb images multispectral images

发现论文，激发创造

一种基于 Transformer 的孪生网络用于变化检测

本文提出了一种基于变压器（Transformer）和连体（Siamese）网络结构（简称 ChangeFormer）的变化检测（CD）方法，通过综合使用分层结构的 Transformer 编码器和多层感知（MLP）解码器，可高效地呈现多尺度长距离细节以实现精确的变化检测，通过两个 CD 数据集的实验证明，这种方法的性能优于之前的模型，代码可在上述网址下载。

Jan, 2022

卷积神经网络在多光谱地球观测城市变化检测中的应用

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

DASNet：双卷积全尺寸孪生注意力网络用于高分辨率卫星图像变化检测

本文提出了一种双注意力的全卷积连体网络（DASNet），通过对远距离依赖关系的捕获，以获取更具有区分性的特征表示以提高模型的识别性能，通过惩罚注意力以不改变特征对并增加注意力以转换特征对的加权双边距离损失，以解决变化检测的样本不均衡问题，实验结果表明，与其他基线方法相比，所提出的方法在 F1 值上分别实现最大 2.1% 和 3.6% 的提升，具有较强的鲁棒性。

Mar, 2020

大规模语义变化检测的多任务学习

本论文提出了首个大规模高分辨率语义变化检测数据集，使用全卷积神经网络进行语义变化检测和土地覆盖分类，提出了一种序列训练方案，避免设置权衡不同损失函数而取得最佳效果的超参数。

Oct, 2018

学习测量变化：用完全卷积的孪生度量网络进行场景变化检测

该论文提出了一种用于场景变化检测的新型完全卷积孪生度量网络 (CosimNet)，采用对比损失来获得更具判别力度量，其中提出了基于阈值的对比损失 (TCL) 来处理由大视点差异引起的多噪音变化。最后将距离度量集成到分割框架中，并通过变化图和特征分布可视化证明了该方法的有效性。

Oct, 2018

变化检测需要变化信息：改进深度三维点云变化检测

本文提出了一种基于 3D 点云数据的变化检测方法 ——Encoder Fusion SiamKPConv 网络，通过对 Siamese KPConv 网络提供手工特征和变化相关特征，该方法在提高交并比的同时，避免了栅格化过程中的信息损失，优于当前 SoTA 方法。

Apr, 2023

基于轮廓的弱监督语义场景变化检测

本文提出了一种只需弱监督的新型语义场景变化检测方案，该方案引入了具有相关性层的新的孪生网络结构，并采集和标注了一个公开数据集，该数据集用于评估所提出的方法的视角差异的鲁棒性和对语义变化的有效性。

Nov, 2018

使用循环卷积神经网络学习光谱 - 空间 - 时间特征，在多光谱图像中进行变化检测

本文提出了一种基于循环卷积神经网络的方法，能够在统一的框架下联合学习多光谱图像的空间、谱域和时间特征，达到更好的变化检测结果。与传统方法不同的是，该方法具备三个独特的特性，即端到端训练，自然利用空间信息以及能够自适应地学习多时相图像之间的时间依赖性。通过对实验结果的视觉和数量分析，证明了该方法在多时相遥感图像分析中的竞争性表现。

Mar, 2018

重新思考带有遮罩视图的遥感变化检测

该研究论文提出了一种使用遮罩视图的变化检测方法，其中包括了用于变化提取的 Siamese 骨干网络、像素解码器、变换器解码器和归一化检测器等组件，同时还提出了定制的改变检测任务实例网络 CDMaskFormer，该网络能在复杂情景下准确识别感兴趣区域的变化。通过在五个基准数据集上的实验，CDMaskFormer 展现出了令人满意的效率 - 准确度平衡的性能。

Jun, 2024

T-UNet：用于高分辨率遥感影像变化检测的三元 UNet

远程感知图像变化检测中存在虚警和缺失检测的问题。本论文提出了一种新型网络 Triplet UNet (T-UNet)，通过三支编码器同时提取目标特征和前后时间相位图像之间的变化特征。为了有效地交互和融合三支编码器提取的特征，我们提出了一个多支空间 - 光谱交叉注意力模块 (MBSSCA)。在解码器阶段，引入了通道注意力机制 (CAM) 和空间注意力机制 (SAM)，以充分挖掘浅层的细节纹理信息和深层的语义定位信息。

Aug, 2023