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

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

该研究提出了一种基于深度学习和遥感技术的城市变化检测方法，采用连续多时相卫星图像，结合自注意力和分割技术，有效地识别了城市变化，与其他方法相比表现更加出色。

Jun, 2024

本研究提出了一种利用前灾难时期光学数据进行变化检测任务的模型，并针对灾害受影响区域开发了 Context-Aware Change Detection Network（CACDN）。使用 Area Under the Precision-Recall Curve（AUPRC）、Intersection over Union（IoU）和均值 IoU 等三个指标进行了评估，并通过初步结果发现，当结合前灾难光学数据时，模型的变化检测能力显著提高，反映出使用情境信息进行准确的洪水和山体滑坡检测的有效性。

Jun, 2023

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

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

本文研究了使用深度完全卷积神经网络（DFCNN）对地观测图像进行像素级场景标记。作者使用了变种的 SegNet 架构对城市区域的遥感数据进行训练，并研究了不同的准确语义分割方法。作者提出以下贡献：1）作者有效地将 DFCNN 从常规日常图像转移到遥感图像领域；2）作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合；3）作者使用残差校正对异构传感器（光学和激光）的数据进行融合。所提出的方法在 ISPRS Vaihingen 2D 语义标记数据集上改进了现有技术的准确率。

Sep, 2016

改变监测在卫星图像中寻找在不同时刻捕获的给定场景中的目标改变事件，本文中通过使用主动学习的方法提出了一种改变监测算法。该算法基于问答模型，利用虚拟实例（被称为虚拟样例）上的用户反馈更新深度神经网络分类器，并通过一种对抗模型学习最具表征性、多样性和不确定性的虚拟实例，在主动学习的后续迭代中对这些网络进行更好的重新估计。实验证明我们的深度网络反演与相关工作相比具有更好的性能。

Sep, 2023