Aug, 2023

T-UNet：用于高分辨率遥感影像变化检测的三元 UNet

PDF
TL;DR远程感知图像变化检测中存在虚警和缺失检测的问题。本论文提出了一种新型网络 Triplet UNet (T-UNet)，通过三支编码器同时提取目标特征和前后时间相位图像之间的变化特征。为了有效地交互和融合三支编码器提取的特征，我们提出了一个多支空间 - 光谱交叉注意力模块 (MBSSCA)。在解码器阶段，引入了通道注意力机制 (CAM) 和空间注意力机制 (SAM)，以充分挖掘浅层的细节纹理信息和深层的语义定位信息。
remote sensing image change detectionsiamese network structureearly fusion structuretriplet unetmulti-branch spatial-spectral cross-attention module
发现论文，激发创造
  • 全卷积孪生网络用于变化检测

    本文提出了具有核对齐图像对的三种全卷积神经网络结构来执行变化检测，其中最显著的是，我们提出了两个完全卷积网络的连体扩展，利用当前问题的启发式规则在我们对两个开放变化检测数据集、使用 RGB 和多光谱图像的测试中取得了最佳结果。我们展示了我们的系统能够使用注释变化检测图像从头开始学习，我们的架构表现优于先前提出的方法，同时比相关系统快至少 500 倍。这项工作是朝着有效处理大规模地球观测系统数据的一步。

    Oct, 2018

  • DASNet：双卷积全尺寸孪生注意力网络用于高分辨率卫星图像变化检测

    本文提出了一种双注意力的全卷积连体网络（DASNet），通过对远距离依赖关系的捕获，以获取更具有区分性的特征表示以提高模型的识别性能，通过惩罚注意力以不改变特征对并增加注意力以转换特征对的加权双边距离损失，以解决变化检测的样本不均衡问题，实验结果表明，与其他基线方法相比，所提出的方法在 F1 值上分别实现最大 2.1% 和 3.6% 的提升，具有较强的鲁棒性。

    Mar, 2020

  • 无监督融合卷积神经网络方法用于遥感图像变化检测

    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

  • HANet: 一种基于双时相高分辨率遥感图像的分层注意力网络用于变化检测

    通过深度学习技术的发展，本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题，并设计了一种层次化注意力网络（HANet），以提高检测性能。

    Apr, 2024

  • 一种用于遥感图像变化检测的双重注意力生成对抗网络

    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

  • TriTransNet: 基于三元组变换器嵌入网络的 RGB-D 显著目标检测

    本文介绍了利用 TriTransNet 实现 RGB-D 显著物体检测的方法，采用了 U-Net 框架、连续的卷积和池化操作生成多级特征， 并引入了三个 Transformer 编码器来增强特征的贡献，通过所设计的多种特征处理模块和方法进行实验，可以取得领先水平和竞争力的结果。

    Aug, 2021

  • 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

  • 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

  • 变化检测实事求是

    简单的 U-Net 分割基线模型仍然是用于变化检测任务的最佳性能表现者，无需训练技巧或复杂的架构改变。

    Feb, 2024

  • 利用卫星影像时间序列进行连续城市变化检测，包括时间特征优化和多任务集成

    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