Jun, 2024

一种适用于语义变化检测的后期双时区特征融合网络

PDF
TL;DR我们提出了一种新颖的迟期双时期特征融合网络来解决地理科学和地球观测中的语义变化检测问题。通过引入局部全局注意聚合模块和局部全局上下文增强模块，我们的模型在两个公共数据集上取得了最新的最佳性能。
semantic change detectionmulti-task learningbitemporal feature fusiongeoscienceearth observation
发现论文，激发创造
  • Dsfer-Net：基于现代 Hopfield 网络的深度监督和特征检索网络，用于双时相变化检测

    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

  • 基于图交互的遥感图像变化检测

    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

  • STNet：用于遥感图像变化检测的时空特征融合网络

    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

  • 如何将变化检测简化为语义分割

    本文中，我们提出了一种新的思路，将变化检测降低到语义分割的级别，通过一个新模块 MTF 提取变化信息和融合时间特征，并利用主流语义分割技术解决变化检测中的一般分割问题。最后，我们提出了 C-3PO 网络，可以在像素级别上检测变化并取得最先进的性能。

    Jun, 2022

  • 大规模语义变化检测的多任务学习

    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

  • HANet: 一种基于双时相高分辨率遥感图像的分层注意力网络用于变化检测

    通过深度学习技术的发展，本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题，并设计了一种层次化注意力网络（HANet），以提高检测性能。

    Apr, 2024

  • 利用卫星影像时间序列进行连续城市变化检测，包括时间特征优化和多任务集成

    该研究提出了一种基于深度学习和遥感技术的城市变化检测方法，采用连续多时相卫星图像，结合自注意力和分割技术，有效地识别了城市变化，与其他方法相比表现更加出色。

    Jun, 2024

  • 寻找变革？掷骰子并要求关注

    本研究提出了一种新的基于深度学习的遥感语义变化检测方法，使用新的注重视觉任务的注意力模块和新的损失函数，实现了优秀的检测性能，达到了行业最高水平。

    Sep, 2020

  • MFDS-Net: 远程感知变化检测的多尺度特征深度监督网络，融合全局语义和细节信息

    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

  • MapChange: 基于深度三元组网络的历史地图不变性增强语义变化检测

    Semantic Change Detection（SCD）是图像分析领域中被认为是至关重要且具有挑战性的任务。传统 SCD 方法主要依赖于图像对比，但这种方法受到拍摄时间、大气条件和角度变化等的显著影响。为了解决这些问题，开发了 MapChange 框架，它将历史地图数据与高分辨率图像相结合，有效地减轻了传统图像对比中的时间变化影响。经过全面测试，该框架在两个公共数据集上表现出显著优势，验证了其有效性。

    Jan, 2024