本研究提出了一种利用前灾难时期光学数据进行变化检测任务的模型，并针对灾害受影响区域开发了 Context-Aware Change Detection Network（CACDN）。使用 Area Under the Precision-Recall Curve（AUPRC）、Intersection over Union（IoU）和均值 IoU 等三个指标进行了评估，并通过初步结果发现，当结合前灾难光学数据时，模型的变化检测能力显著提高，反映出使用情境信息进行准确的洪水和山体滑坡检测的有效性。

Jun, 2023

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

这篇论文提出了一种基于生成式对抗网络的全卷积变化检测框架，它可以将无监督、弱监督、区域监督和全监督变化检测任务整合到一个框架中，并证明了该框架在无监督、弱监督和区域监督变化检测中的有效性。

Jan, 2022

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

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

本文提出了一种无监督方法 DeepCluster 3D Change Detection（DC3DCD），用于检测和分类多类变化，基于 3D 点云，并在模拟和真实数据集上进行了评估，结果深度聚类与标记方法相比具有较高的准确性和竞争性。

May, 2023

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

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

本文介绍了一种新的改变检测网络 AR-CDNet，能够提供精确的改变图和生成像素级不确定性，并使用知识评估策略从低级特征到高级特征提取时间变化知识，最终通过聚合在线不确定性估计分支提取的基于多级时差特征的确定性特征，提高了改变检测的准确性。

May, 2023

此文章综述了遥感变化检测中深度学习在图像处理中的重要性，提供了算法分类和数据集分类的综述，并总结了现有算法的性能，为未来的研究方向提供了启示。

May, 2023