Mar, 2020

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

PDF
TL;DR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。
change detectionremote sensingdeep learningdual-attentive fully convolutional siamese networks (dasnet)weighted double margin contrastive loss
发现论文，激发创造
  • 一种用于遥感图像变化检测的双重注意力生成对抗网络

    本文提出了一种双重关注生成对抗网络，用于实现高分辨率遥感图像变化检测任务，通过生成对抗策略优化检测模型的权重，增强预测的空间连续性，并通过多层特征提取器、多尺度自适应融合模块和上下文细化模块来有效融合多层次特征，提升对多尺度对象的识别能力。与其他先进方法相比，在 LEVIR 数据集上实验结果显示，DAGAN 框架具有更好的性能，均值 IoU 达到 85.01%，均值 F1 得分达到 91.48%。

    Oct, 2023

  • 全卷积孪生网络用于变化检测

    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

  • 寻找变革？掷骰子并要求关注

    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

  • HANet: 一种基于双时相高分辨率遥感图像的分层注意力网络用于变化检测

    通过深度学习技术的发展，本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题，并设计了一种层次化注意力网络（HANet），以提高检测性能。

    Apr, 2024

  • 深度网络反演下的经济卫星图像变化检测

    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

  • Siamese Meets Diffusion Network: SMDNet 用于高分辨率遥感图像的改进变化检测

    提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

    Jan, 2024

  • 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

  • MASNet：采用相互注意力改进暹罗网络，用于遥感变更检测任务

    本文介绍了一种新的用于遥感变化检测任务的孪生网络，即互注意力孪生网络（MASNet），通过在两个特征提取分支之间插入互注意力插件，实现早期交换信息从而提升模型性能，同时此修改适用于卷积神经网络和视觉转换器。

    Jun, 2022

  • 从 W-Net 到 CDGAN：基于深度学习的双时相变化检测技术

    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

  • 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