Jan, 2024

MapChange: 基于深度三元组网络的历史地图不变性增强语义变化检测

PDF
TL;DRSemantic Change Detection（SCD）是图像分析领域中被认为是至关重要且具有挑战性的任务。传统 SCD 方法主要依赖于图像对比，但这种方法受到拍摄时间、大气条件和角度变化等的显著影响。为了解决这些问题，开发了 MapChange 框架，它将历史地图数据与高分辨率图像相结合，有效地减轻了传统图像对比中的时间变化影响。经过全面测试，该框架在两个公共数据集上表现出显著优势，验证了其有效性。
semantic change detectionscdimage analysismapchange frameworktemporal variance
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

  • 如何将变化检测简化为语义分割

    本文中，我们提出了一种新的思路，将变化检测降低到语义分割的级别，通过一个新模块 MTF 提取变化信息和融合时间特征，并利用主流语义分割技术解决变化检测中的一般分割问题。最后，我们提出了 C-3PO 网络，可以在像素级别上检测变化并取得最先进的性能。

    Jun, 2022

  • 一种适用于语义变化检测的后期双时区特征融合网络

    我们提出了一种新颖的迟期双时期特征融合网络来解决地理科学和地球观测中的语义变化检测问题。通过引入局部全局注意聚合模块和局部全局上下文增强模块，我们的模型在两个公共数据集上取得了最新的最佳性能。

    Jun, 2024

  • 全卷积孪生网络用于变化检测

    本文提出了具有核对齐图像对的三种全卷积神经网络结构来执行变化检测，其中最显著的是，我们提出了两个完全卷积网络的连体扩展，利用当前问题的启发式规则在我们对两个开放变化检测数据集、使用 RGB 和多光谱图像的测试中取得了最佳结果。我们展示了我们的系统能够使用注释变化检测图像从头开始学习，我们的架构表现优于先前提出的方法，同时比相关系统快至少 500 倍。这项工作是朝着有效处理大规模地球观测系统数据的一步。

    Oct, 2018

  • 领域通用的单时序监督遥感变化检测

    本文提出了基于可视化 - 语言预训练的多模态对比学习（ChangeCLIP）用于变化检测领域的广义化。同时，还提出了动态语境优化的提示学习方法。此外，为了解决现有方法中的数据依赖性问题，引入了基于单时序和可控的 AI 生成训练策略（SAIN）。通过在真实世界的大量单时序图像上训练模型而无需图像对，ChangeCLIP 实现了出色的广义化能力。大量实验验证了 ChangeCLIP 在一系列真实变化检测数据集上的优越性和强大的广义化能力，胜过了现有的最先进变化检测方法。代码将会提供。

    Apr, 2024

  • 重新思考带有遮罩视图的遥感变化检测

    该研究论文提出了一种使用遮罩视图的变化检测方法，其中包括了用于变化提取的 Siamese 骨干网络、像素解码器、变换器解码器和归一化检测器等组件，同时还提出了定制的改变检测任务实例网络 CDMaskFormer，该网络能在复杂情景下准确识别感兴趣区域的变化。通过在五个基准数据集上的实验，CDMaskFormer 展现出了令人满意的效率 - 准确度平衡的性能。

    Jun, 2024

  • 一种用于词汇语义变化检测的语义距离度量学习方法

    通过使用已有的 Word-in-Context（WiC）数据集，我们提出了一种监督式的两阶段语义变化检测（SCD）方法，该方法可预测给定目标词在两个不同文本语料库中是否改变其意义。实验证明，我们的方法在多个语言的多个基准数据集上始终优于以前提出的 SCD 方法，为 SCD 领域建立了新的最先进技术。有趣的是，我们的研究结果暗示，存在着与语义变化相关的专门维度，在意义感知嵌入空间中承载信息。

    Mar, 2024

  • 面向街景变化检测的层级配对通道融合网络

    提出了一种基于多层级特征融合和多部分特征学习的 Hierarchical Paired Channel Fusion Network (SSCD) 框架，用于改善街景图像对中场景变化检测的精度，实验结果表明该方法在三个公共数据集上均优于其他现有方法。

    Oct, 2020

  • 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

  • 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