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

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

本文提出了一种基于深度学习的遥感图像变化检测方法，使用双支路的深度卷积神经网络用于特征提取和分类，通过在特征空间对两幅图像进行差异计算，利用生成对抗网络进行检测并构建一个大规模的数据集从而得到优于现有基线的高精度变化检测结果。

Mar, 2020

CGNet 通过生成具有丰富语义信息的深度特征的变化图，利用其作为先验信息来引导多尺度特征融合，解决了传统卷积神经网络接收场不足的问题，进而有效地提高了变化特征的表达能力，并在四个主要的变化检测数据集上验证了其有效性和效率。

Apr, 2024

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

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

通过使用自然语言处理技术直接学习和分析遥感图像，本研究提出使用 Chg2Cap 网络处理双时相遥感图像变化标注任务，该网络包括 Siamese CNN 特征提取器、注重变化相关特征的自注意力编码器和 Transformer 生成器，并在两个典型遥感数据集上经过充分实验验证。

Apr, 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

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