ChangeAnywhere: 通过语义潜在扩散模型进行遥感变化检测的样本生成
该论文提出一种半监督式变化检测方法,通过利用未标记的双时间遥感图像来提高深度学习模型的准确性,试验结果表明,该方法即使只有 10% 的标记数据,其准确率也可以接近于有监督学习方法。
Apr, 2022
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
通过生成建模方法,本文提出了一种可扩展的多时相遥感变化数据生成器,以解决遥感图像数据的收集和预处理问题,使得数据生成自动化和降低成本,并展示了该方法在生成能力和迁移性方面的优势。
Sep, 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
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
我们提出了基于生成模型的变化数据生成器 Changen2,它能够通过自监督学习从未标记的单时相影像中生成时间序列影像及其语义和变化标签,具有优秀的时空可扩展性和迁移能力。
Jun, 2024
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
由于多时相图像数据获取与标注成本巨大,导致现有变化检测数据集在数量、时间范围和实际可行性方面存在不足。因此,迫切需要一个大规模的实用数据集来促进该领域的发展。为此,提出了 ChangeNet 数据集,用于多时相变化检测,并引入了 “非对称变化检测” 的新任务。ChangeNet 包含 31000 对多时相图像,来自 100 个城市的各种复杂场景,并且包含了 6 个像素级注释的类别,远远超过了所有已有的变化检测数据集,包括 LEVIR-CD、WHU Building CD 等。此外,ChangeNet 包含了同一区域在不同时间相的大量真实视角扭曲,能够促进变化检测算法的实际应用。ChangeNet 适用于二值化变化检测(BCD)和语义变化检测(SCD)任务,我们对 ChangeNet 数据集进行了六个 BCD 方法和两个 SCD 方法的基准测试,广泛的实验证明了其挑战性和重要性。该数据集可在此 https URL 获取。
Dec, 2023
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
通过遥感技术,引入 MineNetCD 全球矿业变化检测的综合基准、建立全球矿业变化检测数据集,包括超过 70,000 个遥感图像,并构建了一种基于 ChangeFFT 模块的基准模型和一个统一的变化检测(UCD)框架,通过实验验证了方法的有效性。
Jul, 2024