【BAN】A New Learning Paradigm for FoundationModel-based Remote Sensing Change Detection

已于 2024-01-31 14:03:07 修改
阅读量473 收藏 1
点赞数
分类专栏： 变化检测论文解读 文章标签： 人工智能 深度学习 计算机视觉 机器视觉 变化检测 遥感 python
于 2024-01-24 14:51:45 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38308388/article/details/135814723
版权
本文提出了一种名为BAN的新框架，用于基础模型在遥感变化检测任务中的适应。BAN包含冻结的基础模型、双时态适配器分支（Bi-TAB）和桥接模块，通过桥接模块实现通用知识到特定任务的转移。实验结果显示，BAN提高了现有CD方法的性能，验证了基础模型在遥感CD中的潜力。
摘要由CSDN通过智能技术生成

 🚩🚩变化检测论文专栏快速跳转🚩🚩【change detection】   

目录

🌷🌷简介 

题目：一种基础模型遥感变化检测的新学习范式 

论文：paper

代码：code

🍇🍇1.摘要 

 🍋🍋2.创新点

🍓🍓3.网络结构

🍭3.1模型框架

🍭3.2网络结构

        基础模型提取

        Bi-TAB

        桥接结构 

🍭3.3BAN框架伪代码

🍭3.4损失函数

🍂🍂4.实验结果

🏆4.1LEVIR-CD数据集可视化结果

🏆4.2LEVIR-CD数据集精度对比

🏆4.3BANDON数据集可视化对比

🏆4.4S2LOOKING数据集精度对比

🏆4.5BAN框架与其他CD方法对比

🏆4.6LANDSAT-SCD数据集对比

🏆4.7BANDON数据集对比

🏆4.8WHU-CD数据集上BAN与其他孪生监督CD网络对比

🏆4.9参数选择实验 

🌷🌷5.启发

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

         【changer】论文的原作又来新产出啦。。。基于之前的open-cd工程，这次带来了一种新的变化检测学习范式。一起看看吧！

🌷🌷简介 

了解本专栏 订阅专栏 解锁全文 超级会员免费看
zy_destiny
关注
专栏目录
订阅专栏
【CVPR2022】A Unified Query-based Paradigm for Point Cloud Understanding
梁瑛平的博客
07-25 1054
对三维点云的理解是自动驾驶和机器人技术中的一个重要组成部分。在本文中，作者提出了一种新的嵌入-查询范式（EQ-范式），用于三维理解任务，包括检测、分割和分类。 EQ-范式是一个统一的范式，它能够将现有的 3D 主干架构与不同的任务头相结合。在 EQ-范式下，输入点云首先在嵌入阶段进行编码，采用任意的特征提取体系结构，该体系结构独立于任务和头部。然后，查询阶段允许针对不同的任务头进行特征编码。这是通过在查询阶段引入中间表示，即 Q-表示来实现嵌入阶段和任务头。作者还设计了一种新的 Q-Net 作为查询阶段网
西安交大曹相湧、孟德宇教授团队最新成果┆HSIGene: 一个用于高光谱图像生成的基础模型（含详细视频解读）
最新发布
audyxiao001的博客
09-25 1557
本研究提出了可控高光谱生成模型HSIGene，并基于两阶段空间超分的方法实现了数据增强，有效提升模型可控生成性能。实验结果表明，该模型可以生成大量高质量高光谱数据，有效提升下游任务性能。
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（12 月 5 日论文合集）（下）
wzk4869的博客
12-05 1417
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（12 月 5 日论文合集）（下）
GIRAFFEDET: A HEAVY-NECK PARADIGM FOR OBJECT DETECTION
qq_52302919的博客
02-21 2361
论文地址：https://arxiv.org/pdf/2202.04256.pdf GiraffeDet使用了一个非常轻的主干和一个非常深和大的颈部模块，这鼓励了不同空间尺度之间的密集信息交换，以及同时不同层次的潜在语义。该设计范式使得检测器能够在网络的早期阶段以相同的优先级处理高级语义信息和低级空间信息，从而提高了检测任务的效率。 一、文章简介： 对于尺度敏感的特征生成，传统的主干算法计算成本高，且存在领域转移问题（从图像分类到目标检测）。另一种轻量级主干可以解决这些问题。其次，对于检测器来说，学习充分的
Simple and Efficient: A Semisupervised Learning Framework for Remote Sensing Image Semantic Seg
u013708520的博客
12-04 1018
作者首先重新定义了传统自训练的范式，其中λ是一个需要小心选择的超参数但是λ的选择违背了我们所提出模型的精简性，因此作者对有标记的数据集重新采样，直至有标记数据集的数量Nl跟无标记Nu的一样，此时损失可以定义为：其中α是固定值，表示Nu与Nl的比率为什么要使NI和Nu接近呢？在半监督网络中，如果标记数据集远小于未标记数据集时，模型会更多的学习标记数据集的特点，从而忽略掉许多未标记数据集的特征，并且容易造成过拟合。其次，如果按传统的自训练范式的话，λ的值很难取，取不好可能会使模型更倾向标记数据的特征。
[半监督学习] Teacher-Student Learning Paradigm for Tri-training
不定期更新 Web 开发及机器学习相关博客
02-28 1476
模仿现实师生学习过程, 对传统的 Tri-Training 进行改进, 使用自适应师生阈值, 具有更高的标签质量.
GIRAFFEDET: A HEAVY-NECK PARADIGM FOROBJECT DETECTION（中文翻译）
weixin_42182534的博客
04-18 1803
ABSTRACT 在传统的目标检测框架中，继承自图像识别模型的骨干主体提取深度潜在特征，然后由颈部模块融合这些潜在特征来获取不同尺度的信息。由于目标检测的分辨率远大于图像识别，因此主干的计算代价往往占主导地位。这种重主干设计范式主要是由于将图像识别模型转移到目标检测时的历史遗留问题，而不是目标检测的端到端优化设计。在这项工作中，我们表明，这种范式确实导致次优的目标检测模型。为此，我们提出了一个新的重颈范式，GiraffeDet，一个类似长颈鹿的网络，用于有效的目标检测。GiraffeDet使...
【论文导读】- GraphFL: A Federated Learning Framework for Semi-Supervised Node Classification on Graphs
热门推荐
1+1=王的博客
10-11 1万+
基于图的半监督节点分类（GraphSSC）具有广泛的应用，从网络和安全到数据挖掘和机器学习等。然而，现有的集中式GraphSSB方法无法解决许多现实世界中基于图的问题，因为收集整个图并标记合理数量的标签既耗时又昂贵，数据隐私也可能受到侵犯。**联邦学习（FL）**是一种新兴的学习模式，可实现多个客户之间的协作学习，可以缓解标签稀缺的问题，并保护数据隐私。因此，在FL设置下执行GraphSSC是解决现实世界基于图形的问题的一个很有前景的解决方案。
论文笔记 | PromptCast: A New Prompt-based Learning Paradigm for Time Series Forecasting
qq_45941018的博客
03-29 1481
摘要：PromptCast: A New Prompt-based Learning Paradigm for Time Series Forecasting 的论文笔记
A Data-efficient Continual Learning Paradigm for Fine-tuning Large Language Models with Instructions
c_cpp_csharp的专栏
05-30 73
指令调优有效地优化了用于下游任务的大型语言模型（LLM）。由于现实应用程序中不断变化的环境，LLM需要在不发生灾难性遗忘的情况下持续进行特定任务的适应。考虑到高昂的计算成本，基于重放的连续学习（CL）方法是LLM解决遗忘问题最简单、最广泛使用的方法。然而，传统的基于重放的方法没有完全利用指令来定制重放策略。在这项工作中，我们提出了一种新的范式，称为基于指令的持续学习（InsCL）。InsCL根据Wasserstein Distance与指令计算的任务相似性，动态回放先前的数据。
藏经阁-rVMI-A-New-Paradigm-For-Full-System-Analysis.pdf
08-26
藏经阁-rVMI-A-New-Paradigm-For-Full-System-Analysis 本文档介绍了一种新的系统分析 парадигма，即Virtual Machine Introspection（VMI），它能够对完整的系统进行分析。VMI是一种基于虚拟机监视器的...
Paradigm SKUA-GOCAD
03-06
Paradigm SKUA-GOCAD
Paradigm SKUA-GOCAD 22 build 2022.06.20 (x64)安装包地址
01-12
Paradigm SKUA-GOCAD 22 版本 2022.06.20 完整软件的功能： 使用基于简单工作流程的用户界面 解决刚性建模的复杂性 存在通用地面模型来满足团队的总体目标 地震解释和油藏模拟工作流程 – 解释 结构和地质建模 基于...
STANet：基于时空注意力机制的变化检测网络
向上生长的程序媛的博客
11-21 4272
论文：A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing Image Change Detection pytorch源码：GitHub地址 摘要 遥感影像的变化检测在两时相影像中经常会由于光照角度和位置配准误差产生误识别，影像网络表现，在本文中，作者提出了一种基于时空注意机制的孪生神经网络，设计了一种变化检测注意力机制来对时空关系进行建模，在特征提取过程中增加了一个变化检测自注意力模块，计算任
带你一文了解hourglass
向上生长的程序媛的博客
01-13 2578
这里 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 前两天看了一篇论文，其中提到了Hourglass，文中对hourglass的结构没有详细的图解和文字描述，对之前不了解人体姿态估计的我，还是挺新鲜的，所以把hourglass的东西深挖出来，与你们分享。 一、hourglass简介 首先，hourglass是在2016年的ECCV上提出的，论文原文在这里。 ...
DASNet: Dual attentive fully convolutional siamese networks for change detection in high-resolution
向上生长的程序媛的博客
01-11 2167
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 摘要 《用于高分辨率卫星图像变化检测的双重注意完全卷积孪生网络》 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 一、pandas是什么？ 示例：pandas 是基于Num...
【A2Net】TGARS2023-渐进型特征融合和监督注意力机制的轻量化遥感变化检测网络
向上生长的程序媛的博客
03-13 1686
【A2Net】轻量级遥感变化检测网络论文解析与代码地址
【ChangeFormer】工程代码复现
向上生长的程序媛的博客
12-22 1651
【ChangeFormer】工程代码复现，含代码，预训练模型地址和数据地址。
Paradigm SKUA-GOCAD 22最新版软件下载指南
资源摘要信息:"Paradigm SKUA-GOCAD是一款高端的地质建模与油藏描述软件，由Paradigm公司开发。SKUA-GOCAD 22版本2022.06.20是该软件的一个更新版本，提供了许多新功能和改进，适用于地质学家和油藏工程师。该版本...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zy_destiny

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值