Oct, 2020

面向街景变化检测的层级配对通道融合网络

PDF
TL;DR提出了一种基于多层级特征融合和多部分特征学习的 Hierarchical Paired Channel Fusion Network (SSCD) 框架，用于改善街景图像对中场景变化检测的精度，实验结果表明该方法在三个公共数据集上均优于其他现有方法。
street scene change detectioncomputer visionfeature fusionhierarchical paired channel fusion networkmulti-part feature learning
发现论文，激发创造
  • STNet：用于遥感图像变化检测的时空特征融合网络

    本篇论文提出了一种基于时空特征融合的 RSCD 网络 STNet，通过时间特征融合模块和空间特征融合模块强化感兴趣的变化并恢复变化表征的空间细节，实验表明该方法在三个基准数据集上取得了最先进的性能。

    Apr, 2023

  • 基于修剪和汇聚的轻量级图像补丁级变化检测网络的研究

    提出了一种轻量级裂纹级变化检测网络（LPCDNet），用于快速去除大规模双时期图像中的许多未改变的裂纹对，从而加速后续的像素级 CD 处理阶段并减少其内存成本。

    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

  • FCCDN: 面向 VHR 图像变化检测的特征约束网络

    本文中提出了一种名为 FCCDN 的深度学习（DL）算法，通过双编码器 - 解码器网络骨干和非局部特征金字塔网络来提取和融合多尺度特征，建立了基于密集连接的特征融合模块，通过自监督学习策略约束特征学习，实现了无需使用语义分割标签进行精确和成本节约的双时相语义分割。在 LEVIR-CD 和 WHU 两个建筑物变化检测数据集上，都达到了最先进的性能水平。

    May, 2021

  • 无监督融合卷积神经网络方法用于遥感图像变化检测

    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

  • PSCC-Net: 渐进式空间 - 通道相关网络用于图像篡改检测和定位

    提出一种 Progressive Spatio-Channel Correlation Network (PSCC-Net) 框架来检测和定位图像篡改，结合多尺度、特征交叉和局部全局特征提取，以及 Spatio-Channel Correlation Module (SCCM) 综合特征等技术，PSCC-Net 在图像篡改检测和定位方面的表现优于现有算法。

    Mar, 2021

  • SAAN：基于相似性感知的高分遥感图像变化检测的注意力流网络

    设计了一种新颖的相似性感知注意力流网络（SAAN），通过深度监督相似性优化来明确引导深度编码器层从双时相输入图像中发现语义关系；同时，引入相似性引导的注意力流模块和注意力流机制来引导模型关注具有区分性的通道和区域，达到高效的变化检测和语义一致性维护。

    Aug, 2023

  • 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

  • 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