高分辨率遥感影像变化检测中的显式变化关系学习

Nov, 2023

高分辨率遥感影像变化检测中的显式变化关系学习

Explicit Change Relation Learning for Change Detection in VHR Remote Sensing Images

Dalong Zheng, Zebin Wu, Jia Liu, Chih-Cheng Hung, Zhihui Wei

TL;DR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。

Abstract

change detection has always been a concerned task in the interpretation of remote sensing images. It is essentially a unique binary classification task with two inputs, and there is a change relationship between these two inputs. At present, the mining of change relationship features i

change detection network architecture change relation features transformer convolutional neural network

发现论文，激发创造

VcT：用于遥感图像变化检测的视觉变化 Transformer

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。

Oct, 2023

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

SRC-Net: 时间间隔空间关系关注网络的变化检测

提出了一种名为 SRC-Net 的双时空关系感知网络，用于实现变化检测任务。该网络包括感知与交互模块和补丁模式联合特征融合模块，能够更好地利用时空关系，并在实验中展现了优越的性能。

Jun, 2024

FCCDN: 面向 VHR 图像变化检测的特征约束网络

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

SwinV2DNet：金字塔与自监督复合特征学习用于遥感图像变化检测

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

ChangeBind: 远程感知变化检测的混合变化编码器

提出了一种基于 Siamese 网络架构的改变检测方法，通过利用局部和全局特征表示捕捉多尺度特征，精确估计改变区域，实现了对遥感图像的语义变化的编码。在两个具有挑战性的改变检测数据集上的实验研究表明了该方法的优势，并获得了最先进的性能。

Apr, 2024

一种用于遥感图像变化检测的双重注意力生成对抗网络

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

T-UNet：用于高分辨率遥感影像变化检测的三元 UNet

远程感知图像变化检测中存在虚警和缺失检测的问题。本论文提出了一种新型网络 Triplet UNet (T-UNet)，通过三支编码器同时提取目标特征和前后时间相位图像之间的变化特征。为了有效地交互和融合三支编码器提取的特征，我们提出了一个多支空间 - 光谱交叉注意力模块 (MBSSCA)。在解码器阶段，引入了通道注意力机制 (CAM) 和空间注意力机制 (SAM)，以充分挖掘浅层的细节纹理信息和深层的语义定位信息。

Aug, 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

遥感多视角图像的自监督变化检测

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