Oct, 2023

VcT：用于遥感图像变化检测的视觉变化 Transformer

PDF
TL;DR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。
visual change detectioncommon background informationgraph neural networkreliable tokensvct model
发现论文，激发创造
  • ChangeViT: 释放纯视觉 Transformer 的变化检测能力

    本文介绍了一种利用 ViTs 骨干结构进行大规模变化检测的 ChangeViT 框架，并引入细节捕获模块和特征注入器，使 ChangeViT 在检测大规模变化和捕获细粒度细节方面表现出色，并在 LEVIR-CD、WHU-CD、CLCD 和 OSCD 四个数据集上取得最先进的性能，验证了该方法的有效性。

    Jun, 2024

  • 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

  • 基于变化感知的 Transformer 模型：学习广义变化表示

    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。

    Sep, 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

  • 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

  • 基于图交互的遥感图像变化检测

    提出了一种基于图交互网络的双时相遥感变化检测方法，并采用 ResNet18 作为骨干网络，在 GZ CD 数据集上取得了优异的性能。

    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

  • 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

  • 高分辨率遥感图像变化检测的轻量级结构感知 Transformer 网络

    为了解决 Transformer 网络在遥感图片变化检测中可能存在的问题，本文提出了一种轻量级结构感知 Transformer（LSAT）网络，有效地提高了 RS 图片 CD 的特征表达能力，并在各种 VHR RS 图片 CD 方法中实现了更好的检测精度和计算成本平衡。

    Jun, 2023

  • 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