TransY-Net:用于遥感图像变化检测的全 Transformer 网络学习
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
本文提出了一种基于变压器(Transformer)和连体(Siamese)网络结构(简称 ChangeFormer)的变化检测(CD)方法,通过综合使用分层结构的 Transformer 编码器和多层感知(MLP)解码器,可高效地呈现多尺度长距离细节以实现精确的变化检测,通过两个 CD 数据集的实验证明,这种方法的性能优于之前的模型,代码可在上述网址下载。
Jan, 2022
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
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 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。
Aug, 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
CGNet 通过生成具有丰富语义信息的深度特征的变化图,利用其作为先验信息来引导多尺度特征融合,解决了传统卷积神经网络接收场不足的问题,进而有效地提高了变化特征的表达能力,并在四个主要的变化检测数据集上验证了其有效性和效率。
Apr, 2024
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
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