Nov, 2020

弱监督卷积网络用于变化分割和分类

PDF
TL;DR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。
weakly supervisedchange detectionimage-level semantic labelssiamese u-netchange segmentation and classification
发现论文，激发创造
  • 基于生成对抗网络的全卷积变化检测框架，适用于无监督、弱监督和区域监督变化检测

    这篇论文提出了一种基于生成式对抗网络的全卷积变化检测框架，它可以将无监督、弱监督、区域监督和全监督变化检测任务整合到一个框架中，并证明了该框架在无监督、弱监督和区域监督变化检测中的有效性。

    Jan, 2022

  • 探索弱监督变化检测的有效约束和高效模型

    通过引入全局尺度和局部尺度先验以及新的组件，本文提出了一种基于弱监督学习的变化检测模型 TransWCD，通过将 DP 解码器和 LG 约束与 TransWCD 相结合，构建了 TransWCD-DL，实验结果表明，与当前最先进的方法相比，TransWCD 和 TransWCD-DL 在 WHU-CD 数据集上可以获得显著的 F1 得分提升。

    Jul, 2023

  • 如何将变化检测简化为语义分割

    本文中，我们提出了一种新的思路，将变化检测降低到语义分割的级别，通过一个新模块 MTF 提取变化信息和融合时间特征，并利用主流语义分割技术解决变化检测中的一般分割问题。最后，我们提出了 C-3PO 网络，可以在像素级别上检测变化并取得最先进的性能。

    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

  • 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

  • MaskCD：基于掩膜分类的遥感变化检测网络

    通过自适应生成分类掩蔽层检测变化区域，本论文提出了一种基于遮罩预测和分类的变化检测方法 (MaskCD)，它利用交叉级别变化感知器来学习多尺度的变化感知表示，并通过利用可变形多头自注意力机制来捕捉编码特征中的时空关系。随后，通过基于遮罩注意力和自注意力机制的遮罩注意力检测变换器 (MA-DETR) 解码器，准确定位和识别变化对象。实验结果表明，该方法在五个基准数据集上优于其他最先进模型。在线上可获得代码和预训练模型。

    Apr, 2024

  • 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

  • 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

  • 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

  • 遥感多视角图像的自监督变化检测

    本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。

    Mar, 2021