Mar, 2024

ELGC-Net：面向遥感变化检测的高效局部全局上下文聚合

PDF
TL;DR本文提出了一种高效的深度学习框架 ELGC-Net，用于远程感知变化检测任务，并通过捕获丰富的上下文信息精确估计变化区域，减小模型尺寸，从而在遥感变化检测基准测试中取得了最新的最佳性能。
deep learningremote sensing change detectionelgc-netsemantic change regionstransformer-based frameworks
发现论文，激发创造
  • 变化导向网络：将变化先验纳入辅助进行遥感影像变化检测

    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

  • TransY-Net：用于遥感图像变化检测的全 Transformer 网络学习

    本研究提出了一种名为 TransY-Net 的新型变化检测学习框架，通过全局视图改善特征提取，以金字塔方式结合多级视觉特征，利用 Transformer 进行长程依赖建模并使用深度监督学习，获得了优于其他方法的性能。

    Oct, 2023

  • 卷积神经网络 - Transformer 融合网络与变化检测的关联

    RCTNet 通过引入早期融合骨干网络、交叉阶段聚合模块、多尺度特征融合模块和高效自译注意力模块，以在准确变动检测中捕捉全局信息和细微细节，展示了相对传统遥感图像变动检测方法的明显优势，实现了准确性和计算成本之间的最佳平衡。

    Jul, 2024

  • ChangeBind: 远程感知变化检测的混合变化编码器

    提出了一种基于 Siamese 网络架构的改变检测方法，通过利用局部和全局特征表示捕捉多尺度特征，精确估计改变区域，实现了对遥感图像的语义变化的编码。在两个具有挑战性的改变检测数据集上的实验研究表明了该方法的优势，并获得了最先进的性能。

    Apr, 2024

  • 级联注视：图像修复中全局语境提取的高效性

    本文介绍了一种名为 CGNet 的编码 - 解码架构，它采用了全局上下文提取器（GCE），这是一种用于图像恢复的新颖高效的捕捉全局信息的方法。通过在卷积层之间使用小核心来学习全局依赖关系，GCE 模块无需自注意力即可实现。广泛的实验结果表明，我们的方法在去噪基准数据集（包括真实图像去噪和合成图像去噪）以及图像去模糊任务上优于一系列最先进的方法，同时具有更高的计算效率。

    Jan, 2024

  • 一种用于遥感图像变化检测的双重注意力生成对抗网络

    本文提出了一种双重关注生成对抗网络，用于实现高分辨率遥感图像变化检测任务，通过生成对抗策略优化检测模型的权重，增强预测的空间连续性，并通过多层特征提取器、多尺度自适应融合模块和上下文细化模块来有效融合多层次特征，提升对多尺度对象的识别能力。与其他先进方法相比，在 LEVIR 数据集上实验结果显示，DAGAN 框架具有更好的性能，均值 IoU 达到 85.01%，均值 F1 得分达到 91.48%。

    Oct, 2023

  • 远程感知图像变化检测与 Transformer

    介绍了一种基于双时相图像转换器的新颖的深度学习框架，用于高分辨率遥感图像变化检测，该框架通过对空时时域内的上下文进行编码来优化特征提取，实现更快速，更准确的目标检测，相对于现有的基于注意力机制的方法，本文提出的方法在提高准确性的同时，可以节省更多的计算成本。

    Feb, 2021

  • 基于图交互的遥感图像变化检测

    提出了一种基于图交互网络的双时相遥感变化检测方法，并采用 ResNet18 作为骨干网络，在 GZ CD 数据集上取得了优异的性能。

    Jul, 2023

  • LRNet: 高分辨率遥感图像的变化检测基于定位优化策略

    本文提出了基于定位再细化策略的新型网络 LRNet，通过定位和细化阶段，使用学习优化池化（LOP）和变换对齐注意力（C2A）等方法，提高了改变区域的定位和边界判别准确性，并在 LEVIR-CD 和 WHU-CD 数据集上取得了最精确的边界判别结果。

    Apr, 2024

  • 使用从头开始训练的 Transformer 进行遥感变化检测

    本文提出了一种全新的变化检测方法，采用转换器进行从头开始训练，并在四个公共基准测试中实现了最先进的性能。该方法使用一种混洗的稀疏注意力操作来捕获 CD 数据的固有特征，并介绍了一种改变增强的特征融合模块来提高相关语义变化，同时抑制噪声。

    Apr, 2023