ChangeBind: 远程感知变化检测的混合变化编码器
通过自适应生成分类掩蔽层检测变化区域,本论文提出了一种基于遮罩预测和分类的变化检测方法 (MaskCD),它利用交叉级别变化感知器来学习多尺度的变化感知表示,并通过利用可变形多头自注意力机制来捕捉编码特征中的时空关系。随后,通过基于遮罩注意力和自注意力机制的遮罩注意力检测变换器 (MA-DETR) 解码器,准确定位和识别变化对象。实验结果表明,该方法在五个基准数据集上优于其他最先进模型。在线上可获得代码和预训练模型。
Apr, 2024
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
本文提出了一种基于变压器(Transformer)和连体(Siamese)网络结构(简称 ChangeFormer)的变化检测(CD)方法,通过综合使用分层结构的 Transformer 编码器和多层感知(MLP)解码器,可高效地呈现多尺度长距离细节以实现精确的变化检测,通过两个 CD 数据集的实验证明,这种方法的性能优于之前的模型,代码可在上述网址下载。
Jan, 2022
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
本研究提出了一种基于尺度不变学习的跨分辨率变化检测方法,利用模糊图像合成解决多分辨率图像问题,并采用基于坐标的表示和局部窗口自注意力机制实现像素级别的预测,实验证明相对于其他方法,该方法在两个合成和一个真实的不同分辨率数据集上都具有更好的性能。
May, 2023
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
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
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