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

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

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

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

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

本研究提出了一种新的基于深度学习的遥感语义变化检测方法，使用新的注重视觉任务的注意力模块和新的损失函数，实现了优秀的检测性能，达到了行业最高水平。

Sep, 2020

本文提出 Hierarchical Attention Network（HAN）用于实现复杂的人类行为理解。该模型可以同时融合视频的静态空间信息，短期运动信息和长期视频时间结构，并利用多步骤空间时间关注机制来自动学习视频帧中的重要区域和时间片段，最终在标准的视频行为基准测试中显著优于现有技术。

Jul, 2016

提出了一种混合卷积和注意力网络（HCANet），通过同时建模全局和局部特征，利用卷积神经网络（CNN）和 Transformer 的优势，设计了卷积和注意力融合模块来捕捉长距离依赖和邻域光谱相关性，以及设计了多尺度前向网络来提取不同尺度的特征，从而提高多尺度信息聚合的性能，实验结果表明了 HCANet 模型的合理性和有效性。

Mar, 2024

本文中提出了一种名为 FCCDN 的深度学习（DL）算法，通过双编码器 - 解码器网络骨干和非局部特征金字塔网络来提取和融合多尺度特征，建立了基于密集连接的特征融合模块，通过自监督学习策略约束特征学习，实现了无需使用语义分割标签进行精确和成本节约的双时相语义分割。在 LEVIR-CD 和 WHU 两个建筑物变化检测数据集上，都达到了最先进的性能水平。

May, 2021

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。

Feb, 2024