本文提出了一种基于循环卷积神经网络的方法，能够在统一的框架下联合学习多光谱图像的空间、谱域和时间特征，达到更好的变化检测结果。与传统方法不同的是，该方法具备三个独特的特性，即端到端训练，自然利用空间信息以及能够自适应地学习多时相图像之间的时间依赖性。通过对实验结果的视觉和数量分析，证明了该方法在多时相遥感图像分析中的竞争性表现。

Mar, 2018

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

介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

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

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

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

本文中提出了一种名为 FCCDN 的深度学习（DL）算法，通过双编码器 - 解码器网络骨干和非局部特征金字塔网络来提取和融合多尺度特征，建立了基于密集连接的特征融合模块，通过自监督学习策略约束特征学习，实现了无需使用语义分割标签进行精确和成本节约的双时相语义分割。在 LEVIR-CD 和 WHU 两个建筑物变化检测数据集上，都达到了最先进的性能水平。

May, 2021

这篇论文提出了一个卷积神经网络 (CNN) 的方法，用于多时相地面影像超分辨率，利用空间和时间相关性的组合和注册分割技术进行低分辨率图像的空间配准，实现从多幅不规则低分辨率图像到单幅高分辨率图像的转换。

Jul, 2019