Jun, 2024

通用遥感变化检测的单时序监督学习

PDF
TL;DR提出了一种新的单时序监督学习方法（STAR），用于遥感变化检测，通过利用未配对图像之间的变化来训练高准确性的变化检测器，并且适用于实际的双时序图像对。通过设计具有二进制变化检测、目标变化检测和语义变化检测能力的简单统一的 ChangeStar2 算法，STAR 的灵活性和可伸缩性得到了证明，该算法在八个公共遥感变化检测数据集上取得了最先进的性能。
发现论文，激发创造
  • 遍地变革：遥感图像单时序监督目标变化检测

    提出了一种利用非配对图像中的对象变化作为监督信号的单时相监督学习（STAR）方法，可以利用未配对标记图像训练高精度变化检测器，并且可以推广到现实世界的双时相图像。综合实验结果表明，该方法在单时相和双时相的监督下均表现出优异性能。

    Aug, 2021

  • 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

  • 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

  • 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

  • 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

  • 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

  • 远程感知图像变化检测：朝向连续二时相分辨率差异

    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

  • 远程感知图像变化检索与标注的多模态框架

    在多模态应用中，我们提出了一种创新的基于对比学习的模型，并利用 RS 数据集进行双时序遥感图像对的变化检测分析，实现了文本 - 图像检索功能。

    Jun, 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

  • 自然灾害远程感知未登记的双时相图像的端到端变化检测

    通过遥感图像进行基于变化的检测一直是遥感领域的研究热点。本文提出了一种名为 xBD-E2ECD 的未配准端到端变化检测合成数据集，并引入了一种名为 E2ECDNet 的端到端变化检测网络，能够同时生成流场预测结果和变化检测预测结果，此外，该文还重新定义了正确预测正例的标准并引入基于邻域的变化检测评估指标，实验结果显示了显著的改进。

    Jul, 2023