1.Remote Sensing Change Detection using Denoising Diffusion Probabilistic Models
论文 代码 22-6
动机： 可用于训练CD模型的标注训练图像较少,应该注重从数百万免费可用的、无标记的、无策展的遥感图像中挖掘尽可能多的信息，以提高CD的准确性和鲁棒性。
目前的预训练方法要么需要航空场景分类数据集进行监督预训练，要么需要配对的多时间图像进行自我监督预训练，这限制了他们利用数百万现成的未标记遥感图像信息的能力。
介绍： 提出了一种新的方法，通过去噪扩散概率模型，将通过不同的地球观测计划获得的数百万现成的、未标记的遥感图像合并到训练过程中。
在数百万现成的遥感图像上训练扩散模型，以学习航空图像的关键语义，然后使用扩散解码器的多尺度特征作为输入，在有限的像素级标签可用性下训练CD分类器。
由于扩散模型可以得到给定提取图像的更好的语义，也能够提取输入图像的层次特征表示。文章利用扩散模型的多尺度语义(即深度特征表示)作为输入，然后通道-空间注意模块，然后通过卷积分类器得到最终的变化预测图。
与其他深度学习架构不同的是还可以通过改变添加到输入中的噪声量来获得不同的特征表示的增强版本，进一步在有限的像素级变化标签下训练一个健壮的广义CD模型。
2.IDET: Iterative Difference-Enhanced Transformers for High-Quality Change Detection
论文 代码 2022-7
动机： 现有的工作大多集中在设计先进的网络架构，将特征差异映射到最终的变更图，而忽略了特征差异质量的影响。
介绍： 本文从不同的角度对CD进行研究，如何优化特征差异来突出变化和抑制不变区域。
IDET设计了三个变压器，两个变压器用于提取两幅图像的远程信息，第三种变压器采用前两种变压器的输出来迭代指导特征差的增强。
为了实现更有效的细化，进一步提出了基于多尺度idet的变化检测，使用UNet提取多尺度卷积特征进行多个特征差异细化，并用 粗-细融合策略 来结合所有细化后的特征差异。
3.Transition Is a Process: Pair-to-Video Change Detection Networks for Very High Resolution Remote Sensing Images
论文 代码 IEEE Transactions on Image Processing 2022-7
动机： 1)时间建模不完整，2)时空耦合使得网络很难一次集中在一个方面。
介绍： 提出一种更明确、更复杂的时间建模方法，并据此建立了一个对视频的变化检测(P2V-CD)框架。
受视频识别分为帧和光流可以在时间和空间上进行操作的启发，文章将CD解释为视频理解问题。根据输入图像对构造为一个携带丰富时间信息的伪过渡视频，作为时间编码器的输入。
在空间方面，双时间图像的拼接被用作输入，用一系列空间块(s – block)构建空间编码器，来捕获有助于定位变化区域的空间上下文。
在时间方面，构造一个伪视频帧序列，以获得更精细的时间数据视图。然后，指定一个由一个茎和四个时间块(t – block)组成的时间编码器来挖掘关于变化的时间信息。
在主干中，构建的视频在空间上进行了下采样，以减少空间信息，这样时间编码器可以更专注于时间维度。对第四个t块的输出进行深度监督，以增强时间特征的识别能力。
4.TINYCD A (Not So) Deep Learning Model For Change Detection
论文 代码 2022-7
动机： 现有基于深度学习的变化检测模型都过于复杂和庞大，难以应用于工业场景，边缘应用。
介绍： 提出了一种新的模型TinyCD，证明了它既轻便又有效，能够在参数减少13-150倍的情况下实现与当前技术水平相当甚至更好的性能。
使用PW-MLP（像素级掩码生成器）来处理这些信息，并生成一个作为时空注意力的分数。设计为产生一个掩模张量Mk∈RH×W。
跳过连接通过乘以掩码Mk，我们重新加权每个像素，以减轻向上采样产生的误导性信息。
5.A Transformer-Based Siamese Network for Change Detection
IGARSS 2022-7 论文 代码
动机： 最新的CD研究主要集中在增加CD模型的接受域上, Transformer 网络比深层 ConvNets 具有相对更大的有效接受场。
介绍： 该方法将分层结构的 transformer 编码器与多层感知(MLP)解码器在Siamese网络架构中统一起来，以有效地呈现精确CD所需的多尺度远程细节。
6.Fully Transformer Network for Change Detection of Remote Sensing Images
ACCV 2022-12 论文 代码
动机： 由于提取的视觉特征表征能力有限，目前的方法通常只能得到不完整的CD区域和不规则的CD边界。已有的这些方法并没有充分发挥 transformer 在多层次特征学习方面的能力。
1)随着遥感图像分辨率的提高，高分辨率图像中包含的丰富语义信息没有得到充分利用。
2)复杂遥感图像中边界信息经常缺失。
3)双相位遥感图像所包含的时间信息没有得到充分利用。
介绍： 本文提出了一种全新的遥感图像CD学习框架——全变网络(FTN)，该框架改进了全局视角下的特征提取，并以金字塔方式组合了多层次的视觉特征。
框架包括三个关键部分，即暹罗特征提取(SFE)、深度特征增强(DFE)和渐进变化预测(PCP)。
1）SFE以双相位遥感图像为输入，首先通过两个共享的Swin变压器提取多级视觉特征。
在原始Swin变形金刚的每个阶段，特征分辨率减半，而通道维度翻倍。更具体地说，特征分辨率从(H/4) × (W/4)降低到(H/32) × (W/32)，信道尺寸从C增加到8C。此外，为了减少计算量，我们将信道维数统一降为C。
高级特征捕获更多的全局语义信息，而低级特征保留更多的局部细节信息。它们都有助于检测变化区域。
它可以帮助学习更多具有判别性的全局级特征，获得完整的CD区域。
为了利用全局级信息，我们引入了一个额外的Swin Transformer块来扩大特征映射的接受域。
2）利用多层次的视觉特征生成总和特征和差异特征，利用时间信息突出变化区域。
3）通过整合上述特征，引入了一个嫁接了渐进注意模块(PAM)的金字塔结构，通过通道注意提高特征表示能力，用于最终的CD预测。
4）为了更好地训练框架，我们利用了具有多个边界感知损失函数的深度监督学习。
7.SARAS-Net Scale and Relation Aware Siamese Network for Change Detection
2022-12 论文 代码
动机： 深度学习模型这些方法忽略了对象之间的空间信息和缩放变化，导致边界模糊或错误，性能较低。除此之外，还忽略了两个不同图像之间的交互信息。
介绍： 我们提出了一种暹罗网络，对两个输入图像进行特征减法前后的操作，以检测变化区域，并获得在遥感数据集上的最新性能。
网络在特征减法之前和之后分别执行两个操作，在减法之前使用关系感知模块，在减法之后使用尺度感知模块和交叉变压器模块。
1）resnet骨干网络分别提取N层特征。
2）关系感知模块对每层提取到的特征进行交叉注意力和交叉自我注意力操作，目标是增强从两个输入图像中提取的特征映射之间的交互关系，提高特征识别变化检测的能力。
3）特征减法。
4）特征减法后，感知比例的注意模块在减法图上计算交叉缩放的注意，以处理多个大小的物体引起的场景变化问题。
感知比例模块不仅计算相同比例尺特征图上的注意，还计算其他比例尺上的注意，以解决变化检测中的尺度感知问题。
5）最后，交叉变压器模块融合了多层次特征，旨在更加关注空间信息，容易分离前景和背景，从而减少误报。
文章出处登录后可见！
