Feb, 2024

HSONet：一种基于孪生前景关联驱动之难样本优化网络的高分辨率遥感图像变化检测方法

PDF
TL;DR在后期训练阶段，模型对于变化的判定能力的进一步提升依赖于变化检测模型学习难例的效果，这里有两个额外的挑战：(1) 变化标签有限且主要指向前景目标，而难例样本主要存在于背景中，导致损失函数优化更关注前景目标并忽略背景的难例，也就是所谓的不平衡；(2) 复杂情况，如光影、目标遮挡和季节变化，会导致难例样本的出现，而在没有监督和场景信息的情况下，模型很难直接学习难例样本以准确获取变化信息的特征表示，也就是所谓的缺失性。我们提出了一种基于 Siamese 前景关联驱动的难例样本优化网络 (HSONet)。为了解决不平衡问题，我们提出了一种平衡优化损失函数，通过损失值的分布确定难例样本，并在损失项中引入动态权重，随着训练的进行逐渐将损失的优化焦点由前景转移到背景的难例上。为了解决缺失性问题，我们借助场景背景理解难例样本，提出了场景 - 前景关联模块，利用潜在的遥感空间场景信息对前景中的目标与相关背景之间的关联进行建模，获取场景嵌入，并将这些信息应用于难例样本的特征增强。在四个公开数据集上的实验证明，HSONet 在难例样本检测方面表现优于当前最先进的变化检测方法。
change detectionhard case samplesimbalancemissingnesshsonet
发现论文，激发创造
  • HANet: 一种基于双时相高分辨率遥感图像的分层注意力网络用于变化检测

    通过深度学习技术的发展，本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题，并设计了一种层次化注意力网络（HANet），以提高检测性能。

    Apr, 2024

  • DASNet：双卷积全尺寸孪生注意力网络用于高分辨率卫星图像变化检测

    本文提出了一种双注意力的全卷积连体网络（DASNet），通过对远距离依赖关系的捕获，以获取更具有区分性的特征表示以提高模型的识别性能，通过惩罚注意力以不改变特征对并增加注意力以转换特征对的加权双边距离损失，以解决变化检测的样本不均衡问题，实验结果表明，与其他基线方法相比，所提出的方法在 F1 值上分别实现最大 2.1% 和 3.6% 的提升，具有较强的鲁棒性。

    Mar, 2020

  • ES2Net：高效的光谱 - 空间网络用于高光谱图像变化检测

    为了解决选择频段困难和频段之间的复杂非线性关系的问题，本文提出了一种端到端的高效光谱空间变化检测网络（ES2Net），通过引入可学习的频段选择模块和聚类式空间注意机制，能够自动选择适合变化检测的频段并优化特征提取网络，从而提高光谱变化检测的效果。实验证明，该方法相较于其他最先进的方法具有更高的效能和优越性。

    Jul, 2023

  • SAAN：基于相似性感知的高分遥感图像变化检测的注意力流网络

    设计了一种新颖的相似性感知注意力流网络（SAAN），通过深度监督相似性优化来明确引导深度编码器层从双时相输入图像中发现语义关系；同时，引入相似性引导的注意力流模块和注意力流机制来引导模型关注具有区分性的通道和区域，达到高效的变化检测和语义一致性维护。

    Aug, 2023

  • GETNET：一种用于高光谱图像变化检测的通用二维卷积神经网络框架

    利用 2D CNN 框架处理高光谱图像变化检测问题，通过深度学习整合亚像素信息和多源信息，并提出新的 HSI-CD 数据集进行评估，实验结果表明该方法在真实数据集上优于现有算法。

    May, 2019

  • Siamese Meets Diffusion Network: SMDNet 用于高分辨率遥感图像的改进变化检测

    提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

    Jan, 2024

  • 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

  • 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

  • 解决大规模分层目标检测数据集中不完整标注和数据不平衡问题

    本报告运用 SNIPER、class-aware sampling、feature pyramid module、deformable ROIalign 等有效策略，以 Open Images Datasets 为数据集，在强大的 SENet154 的支持下，取得了 62.2% 的 mAP，位列公共领袖板（第 2 名）和私人领袖板（第 3 名），只比第一名低了 0.04 个点。

    Oct, 2018

  • SARAS-Net：尺度和关系感知孪生网络用于变化检测

    本文提出了一个名为 SARAS-Net 的新型深度学习模型，结合了关系感知、尺度感知和交叉转换器三个模块，以更好地解决场景变化检测中存在的空间信息、尺度改变和交互信息等问题，并在多个公共数据集上取得了 State-of-the-Art 准确度。

    Dec, 2022