如何将变化检测简化为语义分割
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
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
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
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
为了解决深度学习在变化检测中存在的问题,本文结合度量学习和分割方法,提出了一种强大而可解释的深度变化特征学习(DeepCL)框架,通过显式建模时序关系和引导分割过程来实现可靠的变化检测。经过理论和实验的全面评估,DeepCL 框架表现出卓越的特征区分能力,在对抗伪变化方面表现得坚韧,并适用于各种变化检测算法,与现有的变化检测方法相比,具有明显的定量和定性优势。
Jul, 2023
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
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
Semantic Change Detection(SCD)是图像分析领域中被认为是至关重要且具有挑战性的任务。传统 SCD 方法主要依赖于图像对比,但这种方法受到拍摄时间、大气条件和角度变化等的显著影响。为了解决这些问题,开发了 MapChange 框架,它将历史地图数据与高分辨率图像相结合,有效地减轻了传统图像对比中的时间变化影响。经过全面测试,该框架在两个公共数据集上表现出显著优势,验证了其有效性。
Jan, 2024
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