Apr, 2023

Dsfer-Net：基于现代 Hopfield 网络的深度监督和特征检索网络，用于双时相变化检测

PDF
TL;DR本文提出了一种新的基于深度学习的双时相遥感图像变化检测方法，使用全卷积连接的孪生网络进行高质量的特征提取，利用特征检索模块在深度监督下检索差异特征和利用其语义信息来设计更具可解释性的检测网络。在三个公共数据集上的实验结果表明，该方法明显优于现有的其他方法。
change detectionremote sensingdeep learninghopfield networkfeature retrieval
发现论文，激发创造
  • MFDS-Net: 远程感知变化检测的多尺度特征深度监督网络，融合全局语义和细节信息

    MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络，旨在更精细地描述变化的建筑和地理信息，增强变化目标的定位和弱特征的提取。

    May, 2024

  • 一种适用于语义变化检测的后期双时区特征融合网络

    我们提出了一种新颖的迟期双时期特征融合网络来解决地理科学和地球观测中的语义变化检测问题。通过引入局部全局注意聚合模块和局部全局上下文增强模块，我们的模型在两个公共数据集上取得了最新的最佳性能。

    Jun, 2024

  • STNet：用于遥感图像变化检测的时空特征融合网络

    本篇论文提出了一种基于时空特征融合的 RSCD 网络 STNet，通过时间特征融合模块和空间特征融合模块强化感兴趣的变化并恢复变化表征的空间细节，实验表明该方法在三个基准数据集上取得了最先进的性能。

    Apr, 2023

  • 无监督深度缓慢特征分析在多时相遥感图像变化检测中的应用

    提出了一种基于深度慢特征分析和 CVA 预检测的变化检测算法，应用于多期遥感图像，通过特征变换突出变化信息，获得了更好的性能。实验结果表明，该算法胜过其他 SFA 和深度学习算法。

    Dec, 2018

  • HANet: 一种基于双时相高分辨率遥感图像的分层注意力网络用于变化检测

    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

  • 基于图交互的遥感图像变化检测

    提出了一种基于图交互网络的双时相遥感变化检测方法，并采用 ResNet18 作为骨干网络，在 GZ CD 数据集上取得了优异的性能。

    Jul, 2023

  • 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

  • FCCDN: 面向 VHR 图像变化检测的特征约束网络

    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

  • 一种用于遥感图像变化检测的双重注意力生成对抗网络

    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

  • RFL-CDNet：基于更丰富特征学习的准确变化检测

    利用更丰富的特征学习来提高变化检测性能，我们提出了一种名为 RFL-CDNet 的新型框架，该框架采用深度多重监督来增强中间表示，并设计了 C2FG 模块和 LF 模块来进一步改进特征学习和获得更具有区分性的特征表示。

    Apr, 2024