变化检测实事求是
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
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
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
本文介绍了一种新的改变检测网络 AR-CDNet,能够提供精确的改变图和生成像素级不确定性,并使用知识评估策略从低级特征到高级特征提取时间变化知识,最终通过聚合在线不确定性估计分支提取的基于多级时差特征的确定性特征,提高了改变检测的准确性。
May, 2023
改变监测在卫星图像中寻找在不同时刻捕获的给定场景中的目标改变事件,本文中通过使用主动学习的方法提出了一种改变监测算法。该算法基于问答模型,利用虚拟实例(被称为虚拟样例)上的用户反馈更新深度神经网络分类器,并通过一种对抗模型学习最具表征性、多样性和不确定性的虚拟实例,在主动学习的后续迭代中对这些网络进行更好的重新估计。实验证明我们的深度网络反演与相关工作相比具有更好的性能。
Sep, 2023
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
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
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
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
CGNet 通过生成具有丰富语义信息的深度特征的变化图,利用其作为先验信息来引导多尺度特征融合,解决了传统卷积神经网络接收场不足的问题,进而有效地提高了变化特征的表达能力,并在四个主要的变化检测数据集上验证了其有效性和效率。
Apr, 2024