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
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
该论文提出一种半监督式变化检测方法，通过利用未标记的双时间遥感图像来提高深度学习模型的准确性，试验结果表明，该方法即使只有 10% 的标记数据，其准确率也可以接近于有监督学习方法。
Apr, 2022
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
该研究提出了一种基于深度学习和遥感技术的城市变化检测方法，采用连续多时相卫星图像，结合自注意力和分割技术，有效地识别了城市变化，与其他方法相比表现更加出色。
Jun, 2024
本文提出了基于可视化 - 语言预训练的多模态对比学习（ChangeCLIP）用于变化检测领域的广义化。同时，还提出了动态语境优化的提示学习方法。此外，为了解决现有方法中的数据依赖性问题，引入了基于单时序和可控的 AI 生成训练策略（SAIN）。通过在真实世界的大量单时序图像上训练模型而无需图像对，ChangeCLIP 实现了出色的广义化能力。大量实验验证了 ChangeCLIP 在一系列真实变化检测数据集上的优越性和强大的广义化能力，胜过了现有的最先进变化检测方法。代码将会提供。
Apr, 2024
提出一种基于对比预测编码的自监督时间序列变点检测方法，通过在时间间隔对的嵌入表示之间学习区分对比来检测时间序列数据中趋势和属性的变化，相比于现有的五种监督和半监督方法在三个数据集上均取得了更好的性能。
Nov, 2020
本研究旨在将对比学习方法应用于地理定位的数据集上，通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距，并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性，同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。
该论文介绍了一种新颖的自监督对比框架，适用于遥感变化检测任务，通过领域适配器和分层对比头提高模型对空间、结构和语义信息的准确捕捉，通过自学习使用单个时态样本，可灵活转移到主流变化检测基线，提供无需额外数据或标签的下游基线性能显著增强，实验结果表明所提出的 SSLChange 改善了数据有限情况下变化检测基线的性能和稳定性。
May, 2024
提出了一种利用非配对图像中的对象变化作为监督信号的单时相监督学习（STAR）方法，可以利用未配对标记图像训练高精度变化检测器，并且可以推广到现实世界的双时相图像。综合实验结果表明，该方法在单时相和双时相的监督下均表现出优异性能。
Aug, 2021