异常变化检测基准：高分辨率和时序观察下的地球异常检测

Sep, 2024

异常变化检测基准：高分辨率和时序观察下的地球异常检测

AnomalyCD: A benchmark for Earth anomaly change detection with high-resolution and time-series observations

Jingtao Li, Qian Zhu, Xinyu Wang, Hengwei Zhao, Yanfei Zhong

TL;DR本研究针对现有异常检测方法在标签样本稀缺和固定异常类别限制下的问题，提出了一种新的异常变化检测技术（AnomalyCD），该技术能够通过学习历史正常变化模式识别不定时步的异常变化。此外，针对各种地球异常，构建了高分辨率时序图像数据集（AnomalyCDD）。研究结果显示，AnomalyCD具备处理未知图像的能力，有潜力显著推进异常检测的应用。

Abstract

Various Earth anomalies have destroyed the stable, balanced state, resulting in fatalities and serious destruction of property. With the advantages of large-scale and precise observation, high-resolution Remote Sensing images have been widely used for anomaly monitoring and localizatio

发现论文，激发创造

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

基于像素描述符的高分辨率遥感影像异常分割

提出一种基于像素描述符的异常分割模型(ASD)，包括数据论证以及多级、多尺度的特征提取策略，应用于高空间分辨率遥感图像的异常分割。

Jan, 2023

使用扩散模型进行卫星视频异常检测

本研究提出了一种扩散模型来检测高频率数据中的快速异常，该模型不需要任何运动组件，优于其他基准方法，可用于卫星数据分析中。

May, 2023

DeepCL: 深度变更特征学习在遥感图像中的度量空间上

为了解决深度学习在变化检测中存在的问题，本文结合度量学习和分割方法，提出了一种强大而可解释的深度变化特征学习（DeepCL）框架，通过显式建模时序关系和引导分割过程来实现可靠的变化检测。经过理论和实验的全面评估，DeepCL框架表现出卓越的特征区分能力，在对抗伪变化方面表现得坚韧，并适用于各种变化检测算法，与现有的变化检测方法相比，具有明显的定量和定性优势。

Jul, 2023

一种通过偏离关系学习在模态和场景之间统一的遥感异常检测器

通过利用异常对象与其局部背景的偏差特征，我们将异常检测任务重新定义为基于偏差关系的无向双层图，其中异常得分建模为给定背景模式和正常对象的条件概率，进而将学习目标表达为条件概率排序问题。我们在数据、架构和优化方面设计了一种实例化表达方法，并通过使用模拟的光谱和空间异常驱动实例化架构，通过直接优化条件概率排序来验证了该模型在包括高光谱、可见光、合成孔径雷达（SAR）、红外和低光等五种模态下的统一检测能力。

Oct, 2023

面向灾害管理的基于原型的无监督变化检测

应对气候变化引发的自然灾害频率增加，有效的灾害监测变得至关重要。我们提出了一种名为PUCD的新型无监督变化检测方法，通过比较预事件、事后事件和基于原型的变化合成图像的特征，通过基础模型捕捉变化，并使用SAM模型对结果进行精化。在LEVIR-Extension数据集和灾害数据集上评估PUCD框架，与其他方法相比，其在LEVIR-Extension数据集上实现了最先进的性能。

Oct, 2023

使用概率预测编码的异常变点检测

我们提出了一种基于深度学习的CPD/AD方法，名为Probabilistic Predictive Coding (PPC)，该方法通过联合学习将序列数据编码成低维潜在空间表示，并预测后续的数据表示以及相应的预测不确定性。该方法具有解释性和可调整性，具有线性时间复杂度，并能适应多种数据类型和复杂应用。

May, 2024

MineNetCD: 远程感知影像中全球矿山变化检测的基准

通过遥感技术，引入MineNetCD全球矿业变化检测的综合基准、建立全球矿业变化检测数据集，包括超过70,000个遥感图像，并构建了一种基于ChangeFFT模块的基准模型和一个统一的变化检测（UCD）框架，通过实验验证了方法的有效性。

Jul, 2024

卫星图像时间序列语义变化检测：新颖架构与领域偏移分析

卫星图像在监测地球表面变化、辅助气候分析、生态系统评估和灾难响应方面起着至关重要的作用。本文中，我们通过卫星图像时间序列 (SITS-SCD) 处理语义变化检测，该任务既包括变化检测，也包括语义分割。我们提出了一种增强了现有技术、更好地适应参数数量、利用长期时间信息的新架构。然而，对于实际用例，模型需要适应空间和时间偏移，这仍然是一个挑战。我们使用 DynamicEarthNet 和 MUDS 在全球、多年的 SITS 数据集上分别研究了时间和空间偏移对性能的影响。我们发现空间域偏移代表了最复杂的设置，并且时间偏移对变化检测的性能影响比对语义分割的影响更为显著，突出了它是一个需要进一步关注的具体问题。

Jul, 2024

使用Segment Anything的专项变化检测

本文针对地球观察中的变化检测问题，提出了一种专项变化检测的方法，旨在识别特定应用中的重要变化而忽略其他变化。通过利用Segment Anything模型的强大分割能力，我们采用无监督的方法检测建筑物消失的情况，该方法灵活适用于多种领域，具有隐私保护的优势和潜在的实际应用影响。

Aug, 2024