Apr, 2023

STNet：用于遥感图像变化检测的时空特征融合网络

PDF
TL;DR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。
remote sensing change detectionmulti-temporal remote sensing imagesstnettemporal feature fusionspatial feature fusion
发现论文，激发创造
  • DDLNet：用双域学习增强遥感变化检测

    提出基于双域学习（频域和空域）的 RSCD 网络 DDLNet，利用离散余弦变换（DCT）捕捉时频信息以增强感兴趣的变化，并通过空间域恢复模块（SRM）融合时空特征来重建空域变化表示，实验证明该方法在三个基准 RSCD 数据集上实现了最先进的性能，并达到了更为满意的准确率和效率平衡。

    Jun, 2024

  • SRC-Net: 时间间隔空间关系关注网络的变化检测

    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

  • 使用循环卷积神经网络学习光谱 - 空间 - 时间特征，在多光谱图像中进行变化检测

    本文提出了一种基于循环卷积神经网络的方法，能够在统一的框架下联合学习多光谱图像的空间、谱域和时间特征，达到更好的变化检测结果。与传统方法不同的是，该方法具备三个独特的特性，即端到端训练，自然利用空间信息以及能够自适应地学习多时相图像之间的时间依赖性。通过对实验结果的视觉和数量分析，证明了该方法在多时相遥感图像分析中的竞争性表现。

    Mar, 2018

  • 面向街景变化检测的层级配对通道融合网络

    提出了一种基于多层级特征融合和多部分特征学习的 Hierarchical Paired Channel Fusion Network (SSCD) 框架，用于改善街景图像对中场景变化检测的精度，实验结果表明该方法在三个公共数据集上均优于其他现有方法。

    Oct, 2020

  • BD-MSA：基于多尺度特征信息聚合引导的身体解耦 VHR 遥感图像变化检测方法

    提出了一种新模型 BD-MSA，通过将特征图的全局和局部特征信息集合起来，从而成功地提取变化区域的边界信息并分离变化区域的主体，该模型在公开数据集 DSIFN-CD 和 S2Looking 上的评估效果是最优的。

    Jan, 2024

  • 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

  • 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

  • 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

    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。

    Apr, 2023

  • TransY-Net：用于遥感图像变化检测的全 Transformer 网络学习

    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