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

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

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

研究了 CNN 在视觉地点识别中的应用，提出了一种基于图像相似度的广义对比损失功能（GCL）函数，用于训练 Siamese CNN 并使用改进的注释来实现自动注释和视觉地点识别，实验证明 CNN 在这方面的效果优于目前主流的方法。

Mar, 2021

本文提出了 W-CDNet，一种新型的基于弱监督学习方法的变化检测网络，可以通过基于图像级别的语义标签训练，既可以用于只包含变化图像对又可以用于包含变化和不变图像对的数据集；W-CDNet 使用两个 W-shaped Siamese U-Net 提取特征地图，然后比较这两个特征地图来创建原始变化遮罩，并利用 CSC 模块使用自定义重新映射块学习准确的变化遮罩并将当前输入图像分割成相应的标签。该方法在三个公开数据集上取得了当下最优的误差检测和分类性能。

Nov, 2020

本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

Jun, 2016

本研究提出了一种新的基于深度学习的遥感语义变化检测方法，使用新的注重视觉任务的注意力模块和新的损失函数，实现了优秀的检测性能，达到了行业最高水平。

Sep, 2020

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

本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

Jul, 2014