SARAS-Net:尺度和关系感知孪生网络用于变化检测
设计了一种新颖的相似性感知注意力流网络(SAAN),通过深度监督相似性优化来明确引导深度编码器层从双时相输入图像中发现语义关系;同时,引入相似性引导的注意力流模块和注意力流机制来引导模型关注具有区分性的通道和区域,达到高效的变化检测和语义一致性维护。
Aug, 2023
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。
Jan, 2022
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
提出了一种名为 SRC-Net 的双时空关系感知网络,用于实现变化检测任务。该网络包括感知与交互模块和补丁模式联合特征融合模块,能够更好地利用时空关系,并在实验中展现了优越的性能。
Jun, 2024
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
通过深度学习技术的发展,本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题,并设计了一种层次化注意力网络(HANet),以提高检测性能。
Apr, 2024
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
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
SAR-Net 是一个专门设计用于合成孔径雷达 (SAR) 目标检测中全局融合方向感知信息的创新框架,通过 Unity 补偿机制 (UCM) 和方向感知注意模块 (DAM) 实现了全局信息融合和消除背景干扰的功能。通过在飞机和船只数据集上进行实验,验证了 SAR-Net 在目标检测领域取得了最先进的结果,证实了其泛化能力和鲁棒性。
Dec, 2023
为了解决 Transformer 网络在遥感图片变化检测中可能存在的问题,本文提出了一种轻量级结构感知 Transformer(LSAT)网络,有效地提高了 RS 图片 CD 的特征表达能力,并在各种 VHR RS 图片 CD 方法中实现了更好的检测精度和计算成本平衡。
Jun, 2023