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
提出了一种基于图交互网络的双时相遥感变化检测方法,并采用 ResNet18 作为骨干网络,在 GZ CD 数据集上取得了优异的性能。
Jul, 2023
提出了一种基于 Siamese 网络架构的改变检测方法,通过利用局部和全局特征表示捕捉多尺度特征,精确估计改变区域,实现了对遥感图像的语义变化的编码。在两个具有挑战性的改变检测数据集上的实验研究表明了该方法的优势,并获得了最先进的性能。
Apr, 2024
本文提出了一种基于循环卷积神经网络的方法,能够在统一的框架下联合学习多光谱图像的空间、谱域和时间特征,达到更好的变化检测结果。与传统方法不同的是,该方法具备三个独特的特性,即端到端训练,自然利用空间信息以及能够自适应地学习多时相图像之间的时间依赖性。通过对实验结果的视觉和数量分析,证明了该方法在多时相遥感图像分析中的竞争性表现。
Mar, 2018
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
本文提出了一个名为 SARAS-Net 的新型深度学习模型,结合了关系感知、尺度感知和交叉转换器三个模块,以更好地解决场景变化检测中存在的空间信息、尺度改变和交互信息等问题,并在多个公共数据集上取得了 State-of-the-Art 准确度。
Dec, 2022
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
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。
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。