通过模拟随机变化过程生成可扩展的多时期遥感变化数据
我们提出了基于生成模型的变化数据生成器 Changen2,它能够通过自监督学习从未标记的单时相影像中生成时间序列影像及其语义和变化标签,具有优秀的时空可扩展性和迁移能力。
Jun, 2024
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
ChangeAnywhere 是一种使用语义潜在扩散模型和单时相图像的新型变化检测样本生成方法,它能够捕获变化含义与语义上的不同和相同语义约束下的合理变化,并显著提高了各种基于深度学习的变化检测模型的性能。
Apr, 2024
本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法,利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性,并使无监督和有监督变化检测之间的差距变小。
Mar, 2021
本论文提出了首个大规模高分辨率语义变化检测数据集,使用全卷积神经网络进行语义变化检测和土地覆盖分类,提出了一种序列训练方案,避免设置权衡不同损失函数而取得最佳效果的超参数。
Oct, 2018
提出了一种利用非配对图像中的对象变化作为监督信号的单时相监督学习(STAR)方法,可以利用未配对标记图像训练高精度变化检测器,并且可以推广到现实世界的双时相图像。综合实验结果表明,该方法在单时相和双时相的监督下均表现出优异性能。
Aug, 2021
提出了一种新的单时序监督学习方法(STAR),用于遥感变化检测,通过利用未配对图像之间的变化来训练高准确性的变化检测器,并且适用于实际的双时序图像对。通过设计具有二进制变化检测、目标变化检测和语义变化检测能力的简单统一的 ChangeStar2 算法,STAR 的灵活性和可伸缩性得到了证明,该算法在八个公共遥感变化检测数据集上取得了最先进的性能。
Jun, 2024
基于跨维度输入的一种有效的基于 Transformer 的网络用于改变检测,通过交叉关注学习了跨维度输入之间的共享表示,采用一致性约束建立了多模态关系,并通过高度改变阈值和最小化语义与伪改变之间的不同来解决语义和高度改变检测任务之间的多任务冲突。该模型在荷兰的三个城市构建了包含 DSM 到影像的多模态数据集,相对于其他五种先进的改变检测方法,表现出了一致的多任务优势,同时该一致性策略也可以无缝地适用于其他方法,取得了可喜的改进。
Oct, 2023
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
本文提出了基于可视化 - 语言预训练的多模态对比学习(ChangeCLIP)用于变化检测领域的广义化。同时,还提出了动态语境优化的提示学习方法。此外,为了解决现有方法中的数据依赖性问题,引入了基于单时序和可控的 AI 生成训练策略(SAIN)。通过在真实世界的大量单时序图像上训练模型而无需图像对,ChangeCLIP 实现了出色的广义化能力。大量实验验证了 ChangeCLIP 在一系列真实变化检测数据集上的优越性和强大的广义化能力,胜过了现有的最先进变化检测方法。代码将会提供。
Apr, 2024