本文提出了一种新的基于深度学习的双时相遥感图像变化检测方法，使用全卷积连接的孪生网络进行高质量的特征提取，利用特征检索模块在深度监督下检索差异特征和利用其语义信息来设计更具可解释性的检测网络。在三个公共数据集上的实验结果表明，该方法明显优于现有的其他方法。

Apr, 2023

提出了一种轻量级多模态数据融合网络（LMFNet），用于实现多模态遥感图像的融合和语义分割，通过权重共享、多分支视觉变换来同时容纳 RGB、NirRG 和 DSM 等各种数据类型，并通过多模态特征融合重构层和多模态特征自注意融合层对多模态特征进行重构和融合，实验证明了 LMFNet 的有效性。

Apr, 2024

提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

Jan, 2024

本文提出了一种名为 MSDF-Net 的轻量级 ConvNet，采用残留稠密双工融合策略加强特征传播，同时最小化使用参数的数量，通过出图表现显示，MSDF-Net 在 AID 数据集上仅使用 0.49M 参数，就能实现高达 92.96% 的准确性，相较于最近的最先进方法仅使用了 20% 的参数。

Mar, 2022

利用更丰富的特征学习来提高变化检测性能，我们提出了一种名为 RFL-CDNet 的新型框架，该框架采用深度多重监督来增强中间表示，并设计了 C2FG 模块和 LF 模块来进一步改进特征学习和获得更具有区分性的特征表示。

Apr, 2024

本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。

Jun, 2023

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

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

本文提出了一种基于深度学习的多尺度特征学习技术来解决物体检测问题，通过使用深层次的抽象特征来提高模型对语义信息的理解和处理能力，同时采用多框，多量级等技术提高模型的检测精度与计算效率。实验证明该模型在 KITTI，PASCAL VOC 和 COCO 数据集上表现优异。

Dec, 2019

本文提出了一种名为多尺度卷积特征融合 (MSCFF) 的基于深度学习的云检测方法，使用对称编码器 - 解码器模块提取多尺度和高级别空间特征，然后设计了一种多尺度特征融合模块，将不同尺度的特征合并，并获得了比传统基于规则的云检测方法和最先进的深度学习模型更高的精度，尤其在覆盖明亮表面区域上。

Oct, 2018