Jan, 2022

一种基于 Transformer 的孪生网络用于变化检测

PDF
TL;DR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。
change detectiontransformer-basedsiamese network architectureremote sensing imagesmulti-scale long-range details
发现论文，激发创造
  • 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

  • 使用从头开始训练的 Transformer 进行遥感变化检测

    本文提出了一种全新的变化检测方法，采用转换器进行从头开始训练，并在四个公共基准测试中实现了最先进的性能。该方法使用一种混洗的稀疏注意力操作来捕获 CD 数据的固有特征，并介绍了一种改变增强的特征融合模块来提高相关语义变化，同时抑制噪声。

    Apr, 2023

  • TransY-Net：用于遥感图像变化检测的全 Transformer 网络学习

    本研究提出了一种名为 TransY-Net 的新型变化检测学习框架，通过全局视图改善特征提取，以金字塔方式结合多级视觉特征，利用 Transformer 进行长程依赖建模并使用深度监督学习，获得了优于其他方法的性能。

    Oct, 2023

  • ChangeBind: 远程感知变化检测的混合变化编码器

    提出了一种基于 Siamese 网络架构的改变检测方法，通过利用局部和全局特征表示捕捉多尺度特征，精确估计改变区域，实现了对遥感图像的语义变化的编码。在两个具有挑战性的改变检测数据集上的实验研究表明了该方法的优势，并获得了最先进的性能。

    Apr, 2024

  • 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

  • 重新思考带有遮罩视图的遥感变化检测

    该研究论文提出了一种使用遮罩视图的变化检测方法，其中包括了用于变化提取的 Siamese 骨干网络、像素解码器、变换器解码器和归一化检测器等组件，同时还提出了定制的改变检测任务实例网络 CDMaskFormer，该网络能在复杂情景下准确识别感兴趣区域的变化。通过在五个基准数据集上的实验，CDMaskFormer 展现出了令人满意的效率 - 准确度平衡的性能。

    Jun, 2024

  • SARAS-Net：尺度和关系感知孪生网络用于变化检测

    本文提出了一个名为 SARAS-Net 的新型深度学习模型，结合了关系感知、尺度感知和交叉转换器三个模块，以更好地解决场景变化检测中存在的空间信息、尺度改变和交互信息等问题，并在多个公共数据集上取得了 State-of-the-Art 准确度。

    Dec, 2022

  • 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

  • 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

  • 卷积神经网络 - Transformer 融合网络与变化检测的关联

    RCTNet 通过引入早期融合骨干网络、交叉阶段聚合模块、多尺度特征融合模块和高效自译注意力模块，以在准确变动检测中捕捉全局信息和细微细节，展示了相对传统遥感图像变动检测方法的明显优势，实现了准确性和计算成本之间的最佳平衡。

    Jul, 2024