介绍了一种基于双时相图像转换器的新颖的深度学习框架，用于高分辨率遥感图像变化检测，该框架通过对空时时域内的上下文进行编码来优化特征提取，实现更快速，更准确的目标检测，相对于现有的基于注意力机制的方法，本文提出的方法在提高准确性的同时，可以节省更多的计算成本。

Feb, 2021

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

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

本研究提出了一种基于领域转换的无监督遥感图像变化检测方法 UCDFormer，通过使用轻量级 Transformer 和特定领域亲和力权重的图像转换来减轻多时相图像中的季节性和风格差异，并通过模糊 C 均值聚类和自适应阈值的伪变化图和可靠像素提取模块选择显著变化 / 未变化的像素位置，以获得二值变化图。实验结果表明 UCDFormer 在处理季节性和风格变化的无监督遥感图像变化检测任务时取得了显著的性能提升，Kappa 系数的性能提升超过了 12%。对于大规模应用的地震引发的滑坡检测，UCDFormer 也取得了出色的性能。

Aug, 2023

基于视觉变换模型的大多数变化检测模型目前遵循 “预训练然后微调” 的策略，但我们提出了一种高效的微调方法，通过冻结预训练图像编码器的参数并引入额外的训练参数，实现了与低资源消耗相比更具竞争力的结果，并且可扩展到语义变化检测和多时相变化检测的任何预训练模型，希望我们提出的方法能成为变化检测领域更统一的训练方法的基础模型之一。

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

通过挖掘共同的背景信息，我们提出了一种新颖的视觉变化检测模型 (VcT)，它利用图神经网络模型处理特征图像素结构化信息、使用聚类算法提取可靠标记，并通过注意力机制增强这些标记，进而获得更准确的变化图。

Oct, 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

本研究提出了一种新的基于深度学习的遥感语义变化检测方法，使用新的注重视觉任务的注意力模块和新的损失函数，实现了优秀的检测性能，达到了行业最高水平。

Sep, 2020

学习差异特征空间中各种变化的广义表示，提出了一种新颖的具有改善差异特征的 Changes-Aware Transformer (CAT)。CAT 通过堆叠的余弦交叉注意力层和自注意力层有效地完成了这一改进过程，进而使差异特征空间中的变化像素更接近，从而有利于变化检测。

Sep, 2023