本文提出了一种基于深度学习并利用弱监督检测模型去除物体标注信息的多标签图像分类方法，该方法能有效提高性能并保持高效。实验证明该方法在两个大型数据集（MS-COCO 和 NUS-WIDE）上均优于现有的先进方法。

Sep, 2018

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

本文提出了 W-CDNet，一种新型的基于弱监督学习方法的变化检测网络，可以通过基于图像级别的语义标签训练，既可以用于只包含变化图像对又可以用于包含变化和不变图像对的数据集；W-CDNet 使用两个 W-shaped Siamese U-Net 提取特征地图，然后比较这两个特征地图来创建原始变化遮罩，并利用 CSC 模块使用自定义重新映射块学习准确的变化遮罩并将当前输入图像分割成相应的标签。该方法在三个公开数据集上取得了当下最优的误差检测和分类性能。

Nov, 2020

知识蒸馏和半监督学习方法相结合的半监督学习知识蒸馏（SSLKD）方法在道路分割应用中表现出显著的学生模型性能提升，超过传统半监督学习方法的效果。

Feb, 2024

通过使用多光谱信息来提高语义分割模型的性能对于低光和恶劣环境至关重要。提出了一种名为 CSK-Net 的新型多模态融合方法，它利用对比学习为光学（EO）和红外（IR）图像的语义分割提供了基于光谱知识蒸馏的融合技术。该方法不仅在多模态任务上超过了现有的模型，而且在缺失模态的情况下，仅利用 IR 数据进行推断就能提高性能，而与基线分割模型相比，并没有额外的计算成本。

Dec, 2023

本文提出了一种迭代学习方法，通过从开放矢量数据生成的大规模 change detection 数据集中提取有用信息来训练全卷积网络，该方法在弱监督学习技术中具有出色的性能，并提出引导各向异性扩散算法，用于与迭代训练方法相结合以改进语义分割结果。

Apr, 2019

提出了一种新颖的知识蒸馏框架以实现低分辨率高光谱图像的超分辨率，该框架通过使用交叉层残差聚合模块增强效率，同时从低分辨率高光谱图像和高分辨率多光谱图像中提取联合和独立特征，并采用交叉自注意力融合模块适应性地融合这些特征，以提高重构的高分辨率高光谱图像的空间和光谱质量。

Jun, 2024

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

通过引入全局尺度和局部尺度先验以及新的组件，本文提出了一种基于弱监督学习的变化检测模型 TransWCD，通过将 DP 解码器和 LG 约束与 TransWCD 相结合，构建了 TransWCD-DL，实验结果表明，与当前最先进的方法相比，TransWCD 和 TransWCD-DL 在 WHU-CD 数据集上可以获得显著的 F1 得分提升。

Jul, 2023

通过模型训练和像素级 CD 伪标签，我们提出了一种用于遥感图像变化字幕的创新网络，该网络具有辅助的 CD 分支和语义融合增强模块，经实验证明此方法在描述变化方面取得了最先进的性能。

Dec, 2023