Aug, 2023

SwinV2DNet：金字塔与自监督复合特征学习用于遥感图像变化检测

PDF
TL;DR基于 Swin V2 与 VGG16，提出了一种端到端的合成稠密网络 SwinV2DNet，继承了 transformer 和 CNN 的优势，克服了现有网络在特征学习中的缺陷，并在四个常用遥感数据集上获得了 SOTA 的变化检测分数和细粒度的变化图。
change detection networkstransformerconvolutional neural networkend-to-end compounded dense networkmixed feature pyramid
发现论文，激发创造
  • 基于 Swin Transformer 和特征增强特征金字塔网络的 SAR 船舶检测

    本研究提出了一种基于 Swin Transformer 和特征增强特征金字塔网络（FEFPN）的 SAR 船舶检测方法，使用 Swin Transformer 作为支撑来建模长距离依赖性并生成分层特征图。使用 FEFPN 逐步增强所有级别的特征图的语义信息，特别是浅层特征图，以进一步提高特征图的质量。在 SAR 船舶检测数据集（SSDD）上的实验表明了我们提出的方法的优越性。

    Sep, 2022

  • 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

  • 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

  • 卷积神经网络 - Transformer 融合网络与变化检测的关联

    RCTNet 通过引入早期融合骨干网络、交叉阶段聚合模块、多尺度特征融合模块和高效自译注意力模块，以在准确变动检测中捕捉全局信息和细微细节，展示了相对传统遥感图像变动检测方法的明显优势，实现了准确性和计算成本之间的最佳平衡。

    Jul, 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

  • VcT：用于遥感图像变化检测的视觉变化 Transformer

    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

  • 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

  • 基于增强的 Swin Transformer 及本地 - 全局特征的交替聚合的图像超分辨重建网络

    本论文通过交替聚合局部全局特征，引入了位移卷积实现局部空间信息和通道信息的交互，并提出了块稀疏全局感知模块以进一步实现空间和通道信息的交互。同时，引入了多尺度自注意模块和低参数残差通道注意模块，实现了不同尺度上的信息聚合。在五个公开数据集上验证了提出的网络，在超分辨率方面超过了其他最先进的网络。

    Dec, 2023

  • 高分辨率遥感影像变化检测中的显式变化关系学习

    提出了一种网络架构以明确地挖掘变化关系特征，并通过全局信息和局部信息的两个方面从预变化图像特征、后变化图像特征和变化关系特征的角度完全提取和融合这三种变化特征，同时通过连续变化关系分支进一步获得连续和细致的变化关系特征，提高模型的变化判别能力。实验结果显示，与现有的先进网络相比，我们的网络在四个公共高分辨率遥感数据集上的变化检测方面表现更好，F1、IoU 和 OA 等指标得到提升。

    Nov, 2023

  • 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