Jun, 2023

基于半监督学习的上下文感知的变化检测

PDF
TL;DR本研究提出了一种利用前灾难时期光学数据进行变化检测任务的模型，并针对灾害受影响区域开发了 Context-Aware Change Detection Network（CACDN）。使用 Area Under the Precision-Recall Curve（AUPRC）、Intersection over Union（IoU）和均值 IoU 等三个指标进行了评估，并通过初步结果发现，当结合前灾难光学数据时，模型的变化检测能力显著提高，反映出使用情境信息进行准确的洪水和山体滑坡检测的有效性。
发现论文，激发创造
  • 面向灾害管理的基于原型的无监督变化检测

    应对气候变化引发的自然灾害频率增加，有效的灾害监测变得至关重要。我们提出了一种名为 PUCD 的新型无监督变化检测方法，通过比较预事件、事后事件和基于原型的变化合成图像的特征，通过基础模型捕捉变化，并使用 SAM 模型对结果进行精化。在 LEVIR-Extension 数据集和灾害数据集上评估 PUCD 框架，与其他方法相比，其在 LEVIR-Extension 数据集上实现了最先进的性能。

    Oct, 2023

  • 大规模语义变化检测的多任务学习

    本论文提出了首个大规模高分辨率语义变化检测数据集，使用全卷积神经网络进行语义变化检测和土地覆盖分类，提出了一种序列训练方案，避免设置权衡不同损失函数而取得最佳效果的超参数。

    Oct, 2018

  • 基于变化检测的 Sentinel-2 卫星图像滑坡地形图绘制

    本文研究了利用 Sentinel-2 影像自动地绘制新发生滑坡的方法。我们提出了一种新颖的深度学习架构，用于融合 Sentinel-2 双时相影像和数字高程模型数据，并展示了其在与文献中的其他变化检测模型相比具有良好性能。同时，我们还创建了一个包括全球异质生态区域的人工验证开放式滑坡清单的新型地理数据库。我们以开源许可证发布了代码和数据集。

    May, 2024

  • 卷积神经网络在多光谱地球观测城市变化检测中的应用

    本文利用 Copernicus Sentinel-2 提供的全球高频多光谱图像和卷积神经网络探索了城市变化检测的应用。首先，介绍了用于训练所提出的网络的新变化检测数据集；随后，提出了两种架构来检测变化，在使用不同数量的光谱通道作为输入的情况下比较了其影响；最后，从头开始使用所提供的数据集训练这些架构。

    Oct, 2018

  • 使用循环神经网络从多时相 Sentinel-2 数据中检测城市变化

    本文介绍了一种基于深度学习方法的城市变化检测框架，该框架结合了全卷积网络和强大的循环神经网络，能够在 Sentinel-2 数据集上对城市变化进行更精确的检测。实验结果表明，该框架在测试数据集上达到了 95% 的整体精度和 1.5% 的增加变化类别 F1 值的表现。

    Oct, 2019

  • 通过知识审查和在线不确定性估计实现遥感图像精确可靠变化检测

    本文介绍了一种新的改变检测网络 AR-CDNet，能够提供精确的改变图和生成像素级不确定性，并使用知识评估策略从低级特征到高级特征提取时间变化知识，最终通过聚合在线不确定性估计分支提取的基于多级时差特征的确定性特征，提高了改变检测的准确性。

    May, 2023

  • 自然灾害远程感知未登记的双时相图像的端到端变化检测

    通过遥感图像进行基于变化的检测一直是遥感领域的研究热点。本文提出了一种名为 xBD-E2ECD 的未配准端到端变化检测合成数据集，并引入了一种名为 E2ECDNet 的端到端变化检测网络，能够同时生成流场预测结果和变化检测预测结果，此外，该文还重新定义了正确预测正例的标准并引入基于邻域的变化检测评估指标，实验结果显示了显著的改进。

    Jul, 2023

  • 利用深度上下文和地理先验信息从 Sentinel-2 映射地表自然属性

    我们发展了一个多模态监督深度学习框架，利用卫星图像数据来预测地表的自然度，以增进我们对生态系统的环境保护的理解。

    Jun, 2024

  • SAAN：基于相似性感知的高分遥感图像变化检测的注意力流网络

    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

  • 深度网络反演下的经济卫星图像变化检测

    改变监测在卫星图像中寻找在不同时刻捕获的给定场景中的目标改变事件，本文中通过使用主动学习的方法提出了一种改变监测算法。该算法基于问答模型，利用虚拟实例（被称为虚拟样例）上的用户反馈更新深度神经网络分类器，并通过一种对抗模型学习最具表征性、多样性和不确定性的虚拟实例，在主动学习的后续迭代中对这些网络进行更好的重新估计。实验证明我们的深度网络反演与相关工作相比具有更好的性能。

    Sep, 2023