基于小波的双维聚合网络用于SAR图像变化检测
本研究利用 Stockwell 变换提出了 Stockwell 散射网络(SSN)作为一种合成孔径雷达(SAR)图像变化检测的方法,该方法结合了 WSN 和 FSN 的优点,并在 SAR 图像变化检测方面取得了最新的技术成果。实验结果表明,所提出的方法在三个真实的 SAR 图像数据集上表现出了很好的性能。
Apr, 2023
本文借助合理利用SAR传感器采集数据,提出了一种简化广义似然比方法,结合基于比值的多时相SAR图像去噪方法和新的变化大小指数方法与改进的基于光谱聚类的变化分类方法以及适用于可视化联动措施的REACTIV方法等多种不同技术手段,成功地实现了监测并分别量化不同地物(例如农田、建筑区、港口区和洪水区)的变化情况。
Jul, 2023
采用类Transformer的CAMixer结构结合全局注意力机制进行合成孔径雷达图像变化检测,通过并行设计将自注意力和平移卷积相结合,实现全局语义信息的捕获,并同时进行局部特征提取,并采用门控机制来增强非线性特征变换,进而提高对杂波噪声的高质量表示。经过在三个合成孔径雷达数据集上的广泛实验验证,CAMixer模型展现出卓越的性能。
Sep, 2023
提出了一种轻量级裂纹级变化检测网络(LPCDNet),用于快速去除大规模双时期图像中的许多未改变的裂纹对,从而加速后续的像素级CD处理阶段并减少其内存成本。
Oct, 2023
提出了一种新模型 BD-MSA,通过将特征图的全局和局部特征信息集合起来,从而成功地提取变化区域的边界信息并分离变化区域的主体,该模型在公开数据集 DSIFN-CD 和 S2Looking 上的评估效果是最优的。
Jan, 2024
本研究建立了一个新的基准数据集和一个开源方法,用于大规模合成孔径雷达(SAR)目标检测,通过提供大规模和多样化的数据集,揭示了合成孔径雷达目标检测的一项关键挑战,并提出了一种新颖的多阶段滤波增强预训练框架,通过处理数据输入、域过渡和模型迁移等问题,显著提高了合成孔径雷达目标检测模型的性能。
Mar, 2024
本文提出了一种高效的深度学习框架ELGC-Net,用于远程感知变化检测任务,并通过捕获丰富的上下文信息精确估计变化区域,减小模型尺寸,从而在遥感变化检测基准测试中取得了最新的最佳性能。
Mar, 2024
提出了一种基于频域变换的神经网络辅助的合成孔径雷达(SAR)目标检测方法,通过校正卷积偏差并关注高频信息,形成自然的多尺度子空间表示,从多子空间去噪的角度来检测目标,在多个SAR目标检测数据集上实现了最先进的成绩。
Jun, 2024
提出了一种名为SRC-Net的双时空关系感知网络,用于实现变化检测任务。该网络包括感知与交互模块和补丁模式联合特征融合模块,能够更好地利用时空关系,并在实验中展现了优越的性能。
Jun, 2024
提出基于双域学习(频域和空域)的RSCD网络DDLNet,利用离散余弦变换(DCT)捕捉时频信息以增强感兴趣的变化,并通过空间域恢复模块(SRM)融合时空特征来重建空域变化表示,实验证明该方法在三个基准RSCD数据集上实现了最先进的性能,并达到了更为满意的准确率和效率平衡。
Jun, 2024