May, 2024

基于域适应的自监督变化检测框架 SSLChange

PDF
TL;DR该论文介绍了一种新颖的自监督对比框架，适用于遥感变化检测任务，通过领域适配器和分层对比头提高模型对空间、结构和语义信息的准确捕捉，通过自学习使用单个时态样本，可灵活转移到主流变化检测基线，提供无需额外数据或标签的下游基线性能显著增强，实验结果表明所提出的 SSLChange 改善了数据有限情况下变化检测基线的性能和稳定性。
remote sensing change detectionself-supervised contrastive frameworkdomain adapterhierarchical contrastive headsslchange
发现论文，激发创造
  • 遥感多视角图像的自监督变化检测

    本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。

    Mar, 2021

  • 基于自监督范式的有限标记样本遥感图像场景分类

    通过自监督学习机制，利用未标记的大规模遥感图像数据进行预训练，提高了远程传感器图像场景分类任务的性能，与传统的以 Imagenet 为代表的方法相比表现更佳。同时，研究了多个影响自监督学习的因素，这些研究成果对遥感领域中 SSL 技术的发展具有积极意义，有望提高大规模遥感图像处理的效率。

    Oct, 2020

  • 基于对比学习和特征追踪的卫星图像时间序列无监督 CD

    本文提出了一种使用对比学习和特征跟踪进行无监督卫星图像时间序列变化检测的方法，并通过两个数据集的实验证明了该方法的准确性提升。

    Apr, 2023

  • 领域内自监督学习可提高遥感图像分类

    本文研究了自监督学习在遥感图像分类中的应用， 使用 ViT 模型和 iBOT 框架进行预训练可以提高模型预测性能。

    Jul, 2023

  • 半监督遥感图像变化检测中一致性正则化的再探

    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

  • 一种通用的自监督学习 (SSL) 框架，用于从未标记的遥感图像的光谱 - 空间特征中进行表征学习

    本研究设计了一种新的自监督学习框架，可以从未标记数据的光谱 - 空间信息中学习表示，并通过两个典型的下游任务评估证明，所提出的 SSL 获得了模型性能的显著提高。

    Jun, 2023

  • 领域通用的单时序监督遥感变化检测

    本文提出了基于可视化 - 语言预训练的多模态对比学习（ChangeCLIP）用于变化检测领域的广义化。同时，还提出了动态语境优化的提示学习方法。此外，为了解决现有方法中的数据依赖性问题，引入了基于单时序和可控的 AI 生成训练策略（SAIN）。通过在真实世界的大量单时序图像上训练模型而无需图像对，ChangeCLIP 实现了出色的广义化能力。大量实验验证了 ChangeCLIP 在一系列真实变化检测数据集上的优越性和强大的广义化能力，胜过了现有的最先进变化检测方法。代码将会提供。

    Apr, 2024

  • 视觉域适应的可转移对比学习

    本文提出了一种自我监督学习方法，即可转移对比学习（TCL），其将 SSL 和所需的跨域可转移性紧密地联系起来，并通过特定的内存库和伪标签战略对源和目标之间的跨域内部类域差异进行惩罚

    Dec, 2021

  • SwiMDiff：适用于遥感图像的场景全局匹配对比学习与扩散约束

    利用 SwiMDiff，本研究在遥感领域提出了一种新的自监督预训练框架，通过场景匹配方法有效地重新校准标签，使对比学习更适用于无标签遥感图像，并通过像素级扩散约束增强编码器的能力，更综合地捕捉图像的全局语义信息和细粒度特征。该框架在遥感领域的改变检测和土地覆盖分类任务中展现了出色的性能，证实了其在遥感领域的重要实用价值。

    Jan, 2024

  • 遥感变化描述的像素级变化检测伪标签学习

    通过模型训练和像素级 CD 伪标签，我们提出了一种用于遥感图像变化字幕的创新网络，该网络具有辅助的 CD 分支和语义融合增强模块，经实验证明此方法在描述变化方面取得了最先进的性能。

    Dec, 2023