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

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

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。

Nov, 2020

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

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

应对气候变化引发的自然灾害频率增加，有效的灾害监测变得至关重要。我们提出了一种名为 PUCD 的新型无监督变化检测方法，通过比较预事件、事后事件和基于原型的变化合成图像的特征，通过基础模型捕捉变化，并使用 SAM 模型对结果进行精化。在 LEVIR-Extension 数据集和灾害数据集上评估 PUCD 框架，与其他方法相比，其在 LEVIR-Extension 数据集上实现了最先进的性能。

Oct, 2023

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

本文提出了一种使用对比学习和特征跟踪进行无监督卫星图像时间序列变化检测的方法，并通过两个数据集的实验证明了该方法的准确性提升。

Apr, 2023

CGNet 通过生成具有丰富语义信息的深度特征的变化图，利用其作为先验信息来引导多尺度特征融合，解决了传统卷积神经网络接收场不足的问题，进而有效地提高了变化特征的表达能力，并在四个主要的变化检测数据集上验证了其有效性和效率。

Apr, 2024

简单的 U-Net 分割基线模型仍然是用于变化检测任务的最佳性能表现者，无需训练技巧或复杂的架构改变。

Feb, 2024