遥感多视角图像的自监督变化检测
该论文提出一种半监督式变化检测方法,通过利用未标记的双时间遥感图像来提高深度学习模型的准确性,试验结果表明,该方法即使只有 10% 的标记数据,其准确率也可以接近于有监督学习方法。
Apr, 2022
该论文介绍了一种新颖的自监督对比框架,适用于遥感变化检测任务,通过领域适配器和分层对比头提高模型对空间、结构和语义信息的准确捕捉,通过自学习使用单个时态样本,可灵活转移到主流变化检测基线,提供无需额外数据或标签的下游基线性能显著增强,实验结果表明所提出的 SSLChange 改善了数据有限情况下变化检测基线的性能和稳定性。
May, 2024
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
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
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
提出了一种利用非配对图像中的对象变化作为监督信号的单时相监督学习(STAR)方法,可以利用未配对标记图像训练高精度变化检测器,并且可以推广到现实世界的双时相图像。综合实验结果表明,该方法在单时相和双时相的监督下均表现出优异性能。
Aug, 2021
提出了一种新的单时序监督学习方法(STAR),用于遥感变化检测,通过利用未配对图像之间的变化来训练高准确性的变化检测器,并且适用于实际的双时序图像对。通过设计具有二进制变化检测、目标变化检测和语义变化检测能力的简单统一的 ChangeStar2 算法,STAR 的灵活性和可伸缩性得到了证明,该算法在八个公共遥感变化检测数据集上取得了最先进的性能。
Jun, 2024
本研究旨在将对比学习方法应用于地理定位的数据集上,通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距,并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性,同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。
Nov, 2020
本文提出了基于可视化 - 语言预训练的多模态对比学习(ChangeCLIP)用于变化检测领域的广义化。同时,还提出了动态语境优化的提示学习方法。此外,为了解决现有方法中的数据依赖性问题,引入了基于单时序和可控的 AI 生成训练策略(SAIN)。通过在真实世界的大量单时序图像上训练模型而无需图像对,ChangeCLIP 实现了出色的广义化能力。大量实验验证了 ChangeCLIP 在一系列真实变化检测数据集上的优越性和强大的广义化能力,胜过了现有的最先进变化检测方法。代码将会提供。
Apr, 2024