Aug, 2023

UCDFormer：基于 Transformer 驱动的图像翻译的无监督变化检测

PDF
TL;DR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。
change detectionunsupervised cddomain shiftremote sensing imagesucdformer
发现论文，激发创造
  • 使用从头开始训练的 Transformer 进行遥感变化检测

    本文提出了一种全新的变化检测方法，采用转换器进行从头开始训练，并在四个公共基准测试中实现了最先进的性能。该方法使用一种混洗的稀疏注意力操作来捕获 CD 数据的固有特征，并介绍了一种改变增强的特征融合模块来提高相关语义变化，同时抑制噪声。

    Apr, 2023

  • 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

  • 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

  • 远程感知图像变化检测与 Transformer

    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

  • 一种基于 Transformer 的孪生网络用于变化检测

    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

  • CDTrans: 跨领域 Transformer 方法的无监督领域自适应

    本文提出了一种基于 Transformer 的无监督领域自适应方法 CDTrans，采用双向中心感知标签算法生成准确的伪标签，采用权值共享的三支架 Transformer 框架对源 / 目标特征学习和源目标领域对齐进行自关注和交叉关注，实现了同时学习区分性领域 - 特定和领域不变表示的显式设计，实验证明该方法在公共数据集上的表现优于现有方法。

    Sep, 2021

  • 基于对比学习和特征追踪的卫星图像时间序列无监督 CD

    本文提出了一种使用对比学习和特征跟踪进行无监督卫星图像时间序列变化检测的方法，并通过两个数据集的实验证明了该方法的准确性提升。

    Apr, 2023

  • 交流即改变：基于图像内部和图像间补丁交换的无监督单时段变化检测框架

    提出了一种基于单时相影像的无监督变化检测框架，其中包括了自我监督学习和图像补丁交换等步骤，并通过在真实情况下模拟辐射差异以改善变化检测器的性能。该框架通过使用现有的单时相影像，避免了标注巨量多时相影像所需的昂贵和耗时的过程。对两个大规模数据集的广泛实验证明，该框架在无监督情况下超过了代表性的方法，并且对 SOTA 方法的 F1 值有了 10.65% 和 6.99% 的改进。

    Oct, 2023

  • 半监督遥感图像变化检测中一致性正则化的再探

    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

  • DiffUCD: 基于语义相关扩散模型的非监督高光谱图像变化检测

    本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法，结合语义相关性扩散模型和交叉时序对比学习机制，利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明，该方法在准确性、kappa 系数和 F1 值等方面都优于最先进的无监督方法，同时可以跟需要大量注释样本的全监督方法达成可比较的结果。

    May, 2023