Sep, 2023

基于变化感知的 Transformer 模型：学习广义变化表示

PDF
TL;DR学习差异特征空间中各种变化的广义表示，提出了一种新颖的具有改善差异特征的 Changes-Aware Transformer (CAT)。CAT 通过堆叠的余弦交叉注意力层和自注意力层有效地完成了这一改进过程，进而使差异特征空间中的变化像素更接近，从而有利于变化检测。
difference featureschange detectiondifference feature spacechanges-aware transformerrefinement process
发现论文，激发创造
  • 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

  • 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

  • 基于差分特征引导 DDPM 的变化检测图生成的变化传播

    本研究提出了基于 DDPM 的 change-aware diffusion model (CADM) 模型，使用有限的标注数据快速训练，采用动态差分条件编码来增强 bitemporal change detection 任务中的区域注意力，实验结果表明相对于现有模型表现显著更优，充分说明了该模型的泛化性和有效性。

    Jun, 2023

  • 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

  • 基于 DDPM 的变化检测的特征操作

    拟议了两种方法：Feature Attention 和 FDAF，将从扩散模型中提取的特征图进行语义上有用的操作；在 LEVIR-CD 数据集上，使用 Feature Attention 的模型获得了 F1 值（90.18）和 IoU 值（83.86）的最新成绩。

    Mar, 2024

  • 从 W-Net 到 CDGAN：基于深度学习的双时相变化检测技术

    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

  • 邻域对比变换器用于变化说明

    本文提出了一种基于邻域对比变换的改进模型，用于语义变化的描述。实验证明，该方法在三个场景不同的公共数据集上都实现了最先进的性能

    Mar, 2023

  • 寻找变革？掷骰子并要求关注

    本研究提出了一种新的基于深度学习的遥感语义变化检测方法，使用新的注重视觉任务的注意力模块和新的损失函数，实现了优秀的检测性能，达到了行业最高水平。

    Sep, 2020

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

    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。

    Aug, 2023

  • DeepCL: 深度变更特征学习在遥感图像中的度量空间上

    为了解决深度学习在变化检测中存在的问题，本文结合度量学习和分割方法，提出了一种强大而可解释的深度变化特征学习（DeepCL）框架，通过显式建模时序关系和引导分割过程来实现可靠的变化检测。经过理论和实验的全面评估，DeepCL 框架表现出卓越的特征区分能力，在对抗伪变化方面表现得坚韧，并适用于各种变化检测算法，与现有的变化检测方法相比，具有明显的定量和定性优势。

    Jul, 2023