Dec, 2023

时间旅行的像素：基于基础模型的遥感图像变化检测中的双时态特征集成

HTML
PDF
TL;DR利用SAM基础模型的潜在知识，将其整合到变化检测中，解决了通用知识转移中的领域偏移和多时相图像的同质和异质特征表达挑战，并在LEVIR-CD上取得了最先进的结果。
发现论文，激发创造
  • 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

  • 遍地变革：遥感图像单时序监督目标变化检测

    提出了一种利用非配对图像中的对象变化作为监督信号的单时相监督学习（STAR）方法，可以利用未配对标记图像训练高精度变化检测器，并且可以推广到现实世界的双时相图像。综合实验结果表明，该方法在单时相和双时相的监督下均表现出优异性能。

    Aug, 2021

  • Dsfer-Net：基于现代 Hopfield 网络的深度监督和特征检索网络，用于双时相变化检测

    本文提出了一种新的基于深度学习的双时相遥感图像变化检测方法，使用全卷积连接的孪生网络进行高质量的特征提取，利用特征检索模块在深度监督下检索差异特征和利用其语义信息来设计更具可解释性的检测网络。在三个公共数据集上的实验结果表明，该方法明显优于现有的其他方法。

    Apr, 2023

  • 遥感变化检测方法的综述：过去十年的全面回顾

    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

  • 基于差分特征引导DDPM的变化检测图生成的变化传播

    本研究提出了基于DDPM的change-aware diffusion model (CADM)模型，使用有限的标注数据快速训练，采用动态差分条件编码来增强bitemporal change detection 任务中的区域注意力，实验结果表明相对于现有模型表现显著更优，充分说明了该模型的泛化性和有效性。

    Jun, 2023

  • 基于基础模型的遥感变化检测的新学习范式

    本研究提出了一种基于万能基础模型的变化检测适应框架，通过利用基础模型的知识来提升现有变化检测方法的性能，并展示了基础模型在遥感变化检测中的潜力。

    Dec, 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

  • 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

  • 通用遥感变化检测的单时序监督学习

    提出了一种新的单时序监督学习方法（STAR），用于遥感变化检测，通过利用未配对图像之间的变化来训练高准确性的变化检测器，并且适用于实际的双时序图像对。通过设计具有二进制变化检测、目标变化检测和语义变化检测能力的简单统一的ChangeStar2算法，STAR的灵活性和可伸缩性得到了证明，该算法在八个公共遥感变化检测数据集上取得了最先进的性能。

    Jun, 2024

  • Changen2: 多时相遥感生成变化基础模型

    我们提出了基于生成模型的变化数据生成器Changen2，它能够通过自监督学习从未标记的单时相影像中生成时间序列影像及其语义和变化标签，具有优秀的时空可扩展性和迁移能力。

    Jun, 2024