Jan, 2024

BD-MSA：基于多尺度特征信息聚合引导的身体解耦 VHR 遥感图像变化检测方法

PDF
TL;DR提出了一种新模型 BD-MSA，通过将特征图的全局和局部特征信息集合起来，从而成功地提取变化区域的边界信息并分离变化区域的主体，该模型在公开数据集 DSIFN-CD 和 S2Looking 上的评估效果是最优的。
remote sensing image change detectiondeep learningfuzzy edgesbody decouple multi-scale by feature aggregationassessment metrics
发现论文，激发创造
  • 大规模语义变化检测的多任务学习

    本论文提出了首个大规模高分辨率语义变化检测数据集，使用全卷积神经网络进行语义变化检测和土地覆盖分类，提出了一种序列训练方案，避免设置权衡不同损失函数而取得最佳效果的超参数。

    Oct, 2018

  • DDLNet：用双域学习增强遥感变化检测

    提出基于双域学习（频域和空域）的 RSCD 网络 DDLNet，利用离散余弦变换（DCT）捕捉时频信息以增强感兴趣的变化，并通过空间域恢复模块（SRM）融合时空特征来重建空域变化表示，实验证明该方法在三个基准 RSCD 数据集上实现了最先进的性能，并达到了更为满意的准确率和效率平衡。

    Jun, 2024

  • STNet：用于遥感图像变化检测的时空特征融合网络

    本篇论文提出了一种基于时空特征融合的 RSCD 网络 STNet，通过时间特征融合模块和空间特征融合模块强化感兴趣的变化并恢复变化表征的空间细节，实验表明该方法在三个基准数据集上取得了最先进的性能。

    Apr, 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

  • DeepCL: 深度变更特征学习在遥感图像中的度量空间上

    为了解决深度学习在变化检测中存在的问题，本文结合度量学习和分割方法，提出了一种强大而可解释的深度变化特征学习（DeepCL）框架，通过显式建模时序关系和引导分割过程来实现可靠的变化检测。经过理论和实验的全面评估，DeepCL 框架表现出卓越的特征区分能力，在对抗伪变化方面表现得坚韧，并适用于各种变化检测算法，与现有的变化检测方法相比，具有明显的定量和定性优势。

    Jul, 2023

  • MFDS-Net: 远程感知变化检测的多尺度特征深度监督网络，融合全局语义和细节信息

    MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络，旨在更精细地描述变化的建筑和地理信息，增强变化目标的定位和弱特征的提取。

    May, 2024

  • 远程感知图像变化检测：朝向连续二时相分辨率差异

    本研究提出了一种基于尺度不变学习的跨分辨率变化检测方法，利用模糊图像合成解决多分辨率图像问题，并采用基于坐标的表示和局部窗口自注意力机制实现像素级别的预测，实验证明相对于其他方法，该方法在两个合成和一个真实的不同分辨率数据集上都具有更好的性能。

    May, 2023

  • 高分辨率远程感知图像无监督变化检测中的分割变换模型：以建筑物为例的案例研究

    提出了一种无监督变化检测方法 Segment Change Model (SCM)，利用 Vision Foundation Model (VFM) 和 Contrastive Language-Image Pre-training (CLIP) 来改进特征提取和提高辨别性变化边缘，最终在 LEVIR-CD 和 WHU-CD 数据集上实验结果表明 mIoU 分别提高了 7.58% 和 4.58%。

    Dec, 2023

  • 半监督遥感图像变化检测中一致性正则化的再探

    该论文提出一种半监督式变化检测方法，通过利用未标记的双时间遥感图像来提高深度学习模型的准确性，试验结果表明，该方法即使只有 10% 的标记数据，其准确率也可以接近于有监督学习方法。

    Apr, 2022

  • 对齐、扰动与解耦：更好地利用差异信息进行 RSI 变化检测

    本研究基于遥感影像分析，重视特征差异在变化检测中的作用，提出一系列操作以充分利用差异信息，包括对齐、扰动和解耦操作，实验证明该方法比现有方法更优秀。

    May, 2023