![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
change detection
文章平均质量分 92
及时行樂樂樂
这个作者很懒,什么都没留下…
展开
-
【LiST-Net】利用轻型SAR传感器网络增强洪水测绘(IEEE TGRS)
首先采用ViTAEv2作为主干,省略了最后的全连接层,以适应CD任务,为了优化计算效率,只使用四个主干阶段,将每个阶段的特征图降采样到之前分辨率的一半。具体来说,在编码器中,GNM模块分别从双时态图像中提取多层次特征,增强了语义信息和邻近像素的细节,采用减法加绝对值从层次特征中生成了差异特征Di,使用DIA模块有效降低计算复杂度,增加获取变化图的准确性。最后,计算成本的增加,给CD的训练网络提出了挑战。但是本文方法能够更有效的检测机场的变化信息,并能准确的检测河岸被洪水淹没的像素,表现优于其他方法。原创 2024-05-23 14:27:39 · 850 阅读 · 1 评论 -
【CAS-Net】基于比较的开放高分辨率无人机图像数据集变化检测网络(IEEE TGRS)
然后输入核大小为7×7,步幅为2,填充为3的卷积层,以及核大小为3,步幅为2,填充为1的最大池化层。优于其他基于卫星的数据集,因为它包含了多个航空角度拍摄的图像,覆盖了不同的城市和农村地区,并展示了广泛的地理和建筑差异。下图表示由无人机捕获的双时态图像,其中图像(a)和图像(b)红框中的patch代表感兴趣的目标或物理特征,而黄色框中的patch代表研究中不需要的噪声或物理特征。positive和两个negative的图像对和标签,黄色虚线标记的是伪变化,如车辆和阴影,需要忽略伪变化,因此标签中未做标记。原创 2024-05-22 23:21:24 · 986 阅读 · 1 评论 -
【ChangeMamba】利用时空状态模型进行遥感变化检测
因此,只有一个语义解码器用于预测土地覆盖地图,与MambaBCD和MambaSCD一样,一个变化解码器从多时间特征中学习时空关系,将建筑物的损伤水平分类。MambaBCD:孪生编码器网络从输入图像中提取多层特征,多级特性被输入到一个定制的变化解码器中。基于Mamba架构,变化解码器可以通过三种不同的机制从多层次特征中充分学习时空关系,并逐步获得准确的BCD结果。VMamba可以充分地利用Mamba体系结构和高效的二维交叉扫描机制,提取输入图像的鲁棒性和代表性特征(如图3所示)。原创 2024-05-21 14:20:07 · 788 阅读 · 0 评论 -
【RS-Mamba】用于大型遥感图像密集预测的 RS-Mamba
OSSM将输入的tokens沿横向、纵向、斜向、反斜向及其反方向展平成8组序列,然后这些序列独立地通过SSM块进行选择性扫描。所有方向的扫描结果累加在一起形成输出tokens,这些输出tokens综合了8个方向上的特征,使模型能够全方位地捕获和建模遥感图像的大尺度空间特征。OSS块的核心是面向扫描模块(OSSM),它是在图像中跨多个方向的全局上下文建模的核心。OSSM有选择地向不同的方向扫描输入图像,捕捉复杂的空间关系,并提供对上下文的全面理解。原创 2024-05-21 13:49:12 · 832 阅读 · 0 评论 -
【A2Net】利用渐进式特征聚合和监督注意力进行轻量级遥感变化检测(IEEE TGRS)
高级特征通过一个3×3卷积减少通道数,并通过双线性上采样操作将分辨率调整到和中间特征分辨率一致;级联三个特征,聚合多级信息,使用残差学习保存中间特征信息,并确保低级和高级特征作为补充,分别使用1×1卷积和3×3卷积来调整中间特征和级联特征的通道数。主干每个阶段都包含一个步幅为2的卷积层,因此,每个阶段的特征图都被降采样到前一个阶段一半的分辨率。通过应用HAM分别在高级特征和低级特征上进一步加强了对象的语义信息和细粒度细节。详细信息和语义信息可以分别在低级特征和高级特征上得到进一步加强。原创 2024-05-21 12:24:27 · 634 阅读 · 0 评论 -
【USSFC-Net】遥感图像变化检测的超权重空间光谱特征协同网络(IEEE TGRS收录)
在编码器的每个阶段获取一个不同的图像,并将其连接到解码器的相应位置,以获得更丰富的变化对象的特征图。双时遥感图像的光谱信息包含在多维通道的特征谱图中,空间和通道注意的级联经常被用来模拟变化物体的空间光谱依赖性,需要大量额外的内存和计算成本。其次,将网络的每个阶段的特征图的通道数量减半,以使网络更加紧凑。在三个遥感图像CD数据集上的实验表明,所提出的USSFC-Net比大多数基于cnn的方法具有更好的CD精度,拥有更低的计算成本和更少的参数,甚至优于一些基于transformer的方法。原创 2024-05-20 15:48:51 · 690 阅读 · 1 评论 -
【LPCDNet】一种基于多层特征压缩和灵敏度引导的网络剪枝的轻量级补丁级变化检测网络(IEEE TGRS收录)
结合像素级CD和patch级CD,本文使用图1(b)中的框架进行大规模图像CD,以实现更有效的推理和准确的检测结果。但是,由于变化的稀疏性,现有的像素级方法在许多不变区域上存在计算成本和内存资源的浪费,降低了在计算和内存资源极其有限的硬件平台上的处理效率。另外,如图4(d)所示,一些通道的特征图包含有限的地面对象信息(例如,只有部分物体边界),但提取过程需要大量的参数和计算。实际上,原始大尺度的遥感图像中的变化区域通常呈现稀疏分布,只占整个图像区域的一小部分,因此,大多数图像。该函数是S型函数的一个变体。原创 2024-05-18 21:08:06 · 1097 阅读 · 0 评论 -
【SMBCNet】一种基于transformer的语义分割遥感图像变化检测方法(Remote Sensing收录)
如图6所示,使用自上而下的策略,对于四种不同的尺度特征(1/4、1/8 、1/16和1/32),所有特征图都经过3×3卷积进一步处理,然后对降尺度的特征图进行2×双线性上采样,并通过元素加法与原始的低级特征图进行合并处理。大多数研究方法未能捕捉到RSCD和语义分割之间的相互转换关系,因此,有必要开发基于transformer的RSCD方法,可以有效地学习全局依赖关系并捕捉局部细节,同时降低计算成本。这种简单的架构允许融合多尺度的特征图,并略微增加了参数的计数,从而提高了最终预测结果的准确性。原创 2024-05-18 16:46:34 · 1205 阅读 · 0 评论 -
【EATDer】用于遥感变化检测的边缘辅助自适应Transformer探测器(IEEE TGRS收录)
full-range fusion modules (FRFMs)连接了两个分支,专注于挖掘双时态RS图像中不可见的时间知识,并强调changed/unchanged区域。原创 2024-05-11 21:29:09 · 878 阅读 · 1 评论 -
【ELGC-Net】用于遥感变化检测的高效局部-全局上下文聚合(IEEE TGRS收录)
以往的一些方法依赖于标准的自注意力,与编码器中tokens的数量呈二次复杂度。大量的参数、高内存占用和高FLOPs使得这些方法不太适合用于实际的遥感变化检测应用。因此,希望同时捕获局部-全局上下文信息,有效地检测图像对之间的细微和显著的结构变化。ELGC-Net:孪生编码器分为四个阶段,在每个阶段,特征图首先通过一个patch嵌入层进行降采样。然后进入编码块,编码块由ELGCA和一个卷积MLP层组成。对每个阶段得到的双时态特征通过融合模块进行融合,将融合的特征送入解码器进行变化图预测。原创 2024-05-11 16:39:38 · 851 阅读 · 3 评论 -
【LSAT】VHR遥感图像变化检测的轻型结构感知transformer网络
Structure-aware Enhancement Module (SAEM),以增强差异特征和边缘细节信息,通过差分细化和细节聚合实现双重增强,从而获得双时态图像的细粒度特征。原创 2024-05-11 14:57:02 · 506 阅读 · 1 评论