RFL-CDNet:基于更丰富特征学习的准确变化检测
通过多尺度、通道注意力机制、空间注意力机制、全局上下文模块、特征细化模块、初始聚合模块和最终聚合模块等方式,逐渐完成从粗粒度到细粒度的变化特征提取;并使用均方差方法 (Mean Teacher Method) 将学生模型的参数更新为教师模型的参数,证实了 C2F-SemiCD 方法的显著有效性和高效性。
Apr, 2024
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
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
本文提出了一种名为 CFC-Net 的网络,该网络使用判别式特征来提高遥感图像中对象的检测精度,并通过构建强大的特征表示、优化预设锚点和优化标签分配等方面来改进检测性能。实验结果表明,在三个远程感应数据集中,与许多最先进的方法相比,该方法实现了卓越的检测性能。
Jan, 2021
MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络,旨在更精细地描述变化的建筑和地理信息,增强变化目标的定位和弱特征的提取。
May, 2024
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
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
本篇论文提出了一种基于时空特征融合的 RSCD 网络 STNet,通过时间特征融合模块和空间特征融合模块强化感兴趣的变化并恢复变化表征的空间细节,实验表明该方法在三个基准数据集上取得了最先进的性能。
Apr, 2023
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
提出了一种轻量级裂纹级变化检测网络(LPCDNet),用于快速去除大规模双时期图像中的许多未改变的裂纹对,从而加速后续的像素级 CD 处理阶段并减少其内存成本。
Oct, 2023