自对：遥感图像中的变化检测方法的研究与应用

6374自对：遥感图像Minseok Seo，Hakjin Lee，Yongjin Jeon，JunghoonSeo SI Analytics70，Yuseong-daero 1689 beon-gil，Yuseong-gu，大田，韩国{minseok.seo，hakjinlee，yongjin117，jhseo} @ si-analytics.ai摘要对于遥感中的变化检测，由于双时态监督的要求，构建深度学习模型的训练数据集是困难的。为了克服这个问题，单时态监督，它把变化标签作为两个语义掩码的差异。这种新颖的方法使用两个空间无关的图像与相应的语义标签，如建筑物来训练变化检测器。然而，在未配对数据集上的训练可能在被标记为未改变但视觉上显著不同的像素的情况下混淆变化检测器。为了保持不变区域的视觉相似性，本文强调变化源于源图像，并指出将源图像作为后像处理对变化检测的性能至关重要大量的实验证明了保持事件前和事件后图像之间的视觉信息的重要性，并且我们的方法优于基于单时间监督的现有方法。1. 介绍变化检测的目的是在语义变化的区域中检测感兴趣区域的位置。多时相高空间分辨率（HSR）遥感图像之间的兴趣变化（CoI）一般定义在同一区域但不同时间。最近，已经提出了几种有监督的变化检测方法[4，9，15，3]，并显示出令人鼓舞的结果。这些方法是在由具有变化标签的双时图像对组成的数据集上训练的。然而，与其他任务（如分割[27]和检测[28]）相比，这些双时间数据集需要高成本才能获得。这是由于双时态监督的几个要求。首先，获得正确配准的双时间对图像是困难的，这是由于物理Self-Pair：合成变化生成工具，（用单个时间图像生成双时间对图像修复风格银行银行CycleGAN深度修复输入图像不变的配对图像输出（图更改地图（标签）图1. 合成变更生成工具示例。卫星的局限性。第二，判断特定区域是否为变化，应先观察前像和后像。最后，即使在现实世界中，变化也是罕见的，这使得很难获得包含兴趣变化的双时间对图像。由于这些原因，公开[1，7，5，18]开放的变化检测数据集规模较小且不平衡。为了解决这个问题，Zheng等人。[33]提出了一种仅使用单时间标记的未配对图像来训练变化检测模型的它不使用双时间标记对图像，而是使用从训练集中随机采样的未配对图像组成的训练数据集来训练变化检测模型。两个未配对图像之间的变化标签被定义为两个图像中相同像素位置的语义是否不同（即，XOR操作）。该方法不需要高代价的双时态成对数据集就能训练出变化检测器，但忽略了未变化区域的结构和风格一致性。在这种情况下，例如，成对图像中但具有不同颜色或纹理的建筑物被标记为不变。此外，不同的语义，如道路和草地也被标记为不变的区域，因为它们不是感兴趣的变化。这种不一致性使得模型在学习变化是什么时感到困惑此外，不成对设置忽略了有用的上下文信息，如对象大小、公共模式或区域样式，这些信息可以从双6375LFK联系我们1NθKKKN时间配对图像。在本文中，我们提出了Self-Pair，一种新的合成图像生成方法，用于构建变化检测模型的输入对。Self-Pair的核心思想是利用单时间的单图像生成更多样、更真实的图像对，同时保留了真实世界的特征。Self-Pair缓解了变化检测数据集的复杂条件，如高成本标记，配准，并保留了未改变区域的特征，如图所示。1.一、我们验证了现有的变化检测方法和Self-Pair在域内和跨域设置中的性能。在广泛的基准测试中，我们的方法优于以前的单时间监督方法[33]，甚至在某些情况下优于双时间监督方法。此外，通过在SNUNet-CD[9]， BIT-CD[4]和ChangeStar[33]架构上进行实验，我们的方法显示出对各种变化检测架构的适用性。2. 相关作品2.1. 遥感中的目标分割遥感图像的尺度变化大、背景复杂、背景与前景不平衡等特点给遥感图像的语义分割带来了为了解决这些挑战，Zheng 等人[35]从前景建模的角度提出了FarSeg。他们实现了高性能与更好的权衡是-与一般语义使用具有伪标签的单个时间未配对图像来检测变化ChangeStar显著缓解了变化检测中的训练数据收集问题该方法对两幅时间上不成对的单帧图像的语义分割标签进行异或运算，生成伪变化标签，并利用伪变化标签训练变化检测模型。然而，ChangeStar算法没有考虑双时配对图像的风格、纹理和一致性信息，与双时配对变化检测方法相比，其2.3. 遥感图像的数据增强近年来，诸如复制粘贴（CP）和修复的强增强策略被广泛用于各种深度学习任务（例如，分类[31，30]，对象检测[8]和对象分割[10]）。 在遥感领域，也曾尝试开发强增强策略。Kumdakcket等人[16]提出了一种用于增强车辆实例的修补方法，以解决数据短缺问题，但它在生成具有多样性的实例方面存在局限性。3. 方法3.1. 基于双时态监督的变化检测基于双时超视的变化检测的目标是给定事件前图像{Xt0，. . . ，Xt0|分割方法[6，32]。[17]李明博说：Xt0 ∈RC×H ×W}和相应的事后im-kt t tC×H ×W年龄{X 1，. . . ，X 1 |X1∈ R}可以用公式表示通过亲和上下文建模，其专注于解决背景复杂度和背景-前景不平衡问题。2.2.遥感中的目标变化检测1N k如下所示minL（Fθ（Xt0，Xt1），Yt0→t1），（1）k=1随着利用遥感图像发现有意义的变化的需求日益增加，变化检测也得到了研究[23，14]。随着深度学习的发展，其中，表示由变化检测器θ获得的预测变化图与成对的双时间图像（Xt0，Xt1）之间的损失函数，其表示预-K K基于深度学习的变化检测方法也显示出有前途的性能[20，34，9，4]。然而，这些方法需要具有双时态监督的定义良好的数据集，并且大多数公共数据集都是小规模的，因此这些方法在现实世界的情况下表现不佳[22]。这种现象的主要原因是，与双时间配对图像中的无变化相比，变化是罕见的[33]，并且难以收集双时间配对图像。因此，与其他任务相比，变化检测的进度相对较慢。最近，已经提出了各种变化检测基准数据集来解决这个问题，但它们仍然缺乏数据样本[7，18，5，11]。 为了解决这个问题，Zheng等人[33]最近提出了ChangeStar，事 件 图 像 和 特定 区 域 k 的 事 件 后 图 像。 变化 图Yt0→t10，1H×W表示事件前后图像之间的感兴趣变化区域。基于双时间配对图像的深度学习变化检测模型（配对训练方法）要求数据集是图像对的集合。这一要求导致了构建过程的高成本和样本不足的问题，因为图像对的集合应该在不同的时间从相同的区域获取，并且还应该包含CoI。3.2. 解开变革地图Zheng等人。[33]提出了ChangeStar，它将变化定义为一个区域，在该区域中，6376⊕⊕NθKKLKLθθKKKKNN（一）（b）第（1）款高铁图片（c）第（1）款标签图2.自我配对。利用单幅图像生成具有伪变化标记的单时间成对图像的三种方法（a）从单个图像随机裁剪两个块。(b)基于语义标签的图像修复方法。(c)基于语义标签的风格混合复制粘贴方法。事后图像具有不同的语义信息。 根据Zheng等人对变化的定义，，我们可以将变化映射Yt0→t1分解为语义信息YkYl来自两个不同的图像Xk和Xl.没有双时间信息的松弛公式，tion{Xt1，. . . ，Xt1}可以表示如下：在两个图像之间。在图3-（c）中，标记为未改变的绿色框中的区域包含不同的语义信息（左：树，右：路）。输入图像中未改变区域的这种不一致性可能会使模型混淆，从而无法了解变化是什么，这导致性能下降。这表明，变化-1Ntar最小值为1（k=1）L（Fθ（Xt0，Xt0），Yt0<$Yt0），（2）k=1l =1真实世界双时态的变化检测设置.其中1和分别表示指示符函数和XOR运算。通过将成对图像替换为不具有地理关系的未成对图像，解开变化图通过对变化图进行分解，可以用从语义分割数据集中随机采样的伪双时配对图像来训练变化检测模型。我们将这种方法称为Unpair训练方法。不成对训练法取得了令人印象深刻的成绩-与解决构建双时态配对数据集的高成本问题有关，但仍然具有显著的3.3. 变化检测为了克服来自数据集的问题并反映Unpair训练公式所遗漏的属性，我们重新考虑如何从给定的两个事件前和事件后图像创建变化：一切变化都是从源头上来的，都是对源头的操纵而产生的。为了表示这一原理，我们将变化检测重新表述如下：minL（F（Xt0，g（Xt0）），Yt0g（Yt0）），（3）k=1显著的性能差距与现有的国家的最先进的方法，训练与双时间监督。如图3-（a）所示，ChangeStar忽略了双时间配对图像的有意义的特征：一致性其中g是将特定时间的特定区域的图像或标签映射到发生变化的任意时间步长的图像或标签的函数这个公式使我们能够利用单时间IM-在不变区域、共同模式和风格相似性方面年龄Xt0 比如ChangeStar，并设计出更合理的（B）������������B更改标签（������）更改标签基于标签的随机实例移除修复一BB（������）实例复制粘贴更改标签风格融合6377cy↓）重新组成不变（结构变化NNθ1K2K1k2k常见模式不变（结构一致性↑）变化不变（结构一致性↑）不变（结构一致性↑）不变（结构一致性↑）变化云昌e（结构组成cy↓）(a) 双时监督学习（b）单对监督学习（c）非对监督学习图3.以双时、单对与不成对情境进行结构相似性之定性比较映射函数G，其保留真实世界双时间配对图像设置中的意义信息。在此基础上，本文重点研究了函数g的设计问题，并提出了三种简单有效的增广策略。3.4. 该方法对于函数g的候选，可以列出光度变换和几何变换函数然而，由于光度变换不能增加新的变化实例，本文仅讨论几何变换函数3.4.1从单个图像3.4.2基于标签的现实世界中最常见的变化之一我们实现这一目标，通过擦除随机选择的实例和修补的基础上周围的背景。由于在整个图像中只发生微小的变化，因此大部分结构一致性保持在未改变的区域中。与随机裁剪策略不同，修复策略保留了重要的信息，如结构一致性，共同模式和风格相似性，可以在双时间配对设置中观察到。基于修补的变更实例增强策略可以表示如下：minL（Fθ（Xt0，inpaint（（Xt0×a），1−a），基于几何变换生成单时间配对图像的一种非常简单的方法是随机裁剪。θkk=1KYt0（Yt0×a）），（五）随机裁剪两个没有重叠区域的面片k k作为变化检测模型的输入对。这种方法类似于[33]但不同的是，一个单一的来源，而不是随机抽样的两个图像。该策略虽然失去了大部分的结构一致性，但仍然可以保留在真实世界的双时配对图像中可以观察到的风格相似性或典型此外，考虑到现实世界中也可能发生的巨大变化，这种积极的策略可能会起到强大的增强作用对于随机裁剪策略的实验，对裁剪后的斑块进行混合旋转操作，用于变化实例增强的综合随机裁剪方法可以表示为：minL（Fθ（crop（Xt0），r（crop（Xt0），k=1其中a是要擦除的对象的二进制掩码，并且这些对象在每次被随机采样。对于实现，我们采用Telea et.al[24]中的方法进行修复，修复后的图像被设置为事件前图像。3.4.3复制并粘贴实例标签现实世界中经常发生的另一个变化向图像添加对象的简单方法是使用语义掩码从源图像复制对象并将其粘贴到目标图像。复制粘贴策略可以缓解遥感图像中普遍存在的前景和背景极不平衡的对于复制粘贴策略的实施，增加变更实例，我们从crop（Yt0）r（crop（Yt0），其中r是随机旋转函数，crop1和crop2是随机crop函数的符号。每个裁剪功能为相应的图像和标签裁剪相同的位置，同时为单时间配对设置裁剪不同的位置。一个裁剪面片，并将其粘贴到另一个裁剪面片。即使对象是从单个源提取的，由于粘贴位置的随机性，在粘贴对象的边界附近也可能存在伪影为了消除伪影，使增强样本更真实，使用基于快速傅里叶变换的混合方法。设FA、FP为（四）6378K×K×Kk kkPt0′×(a)无处理（b）高斯平滑（c）泊松混合（d）傅立叶混合图4.Copy Paste[8]中使用的混合方法与我们的傅立叶混合方法的定性比较傅立叶变换F，（x）（m，n）=<$X（h，w）e−j2π（hm+wn），j2=−1.灾前数据集是xView2数据集的子集，包含9，168张灾前HSR图像，Fh，wH W（六）316，114个建筑多边形。 我们使用来自火车的和Tier3分割数据集。 每个图像的大小为1，024我们将Mβ表示为掩模，用于通过复制和粘贴方法混合来自每个原始图像和修改图像M β严格遵循[29]中提出的方法。给定两个图像（原始图像Xt0和复制和粘贴图像Xt0′），使用傅立叶混合的真实合成的复制和粘贴图像可以如下：Xt1′=F−1（[Mβ<$FA（Xt0）+（1−Mβ）<$FA（Xt0′），F（X）]）。（七）图4是传统混合方法和我们的傅立叶混合方法之间的视觉比较我们的傅立叶混合方法受到[29，13]的启发，混合了来自两个不同领域的图像风格。然而，与这些研究不同的是，我们通过在同一域中替换同一图像中的幅度来减少调制区域处的风格差距4. 实验我们在跨域环境中评估我们的方法，该方法通过构建分割数据集来训练模型，并在构建以不同目的构建的变化检测数据集下进行验证。为了更公平地比较Unpair、Pair和Self-Pair，还进行了域内设置下的评估。请注意，LEVIR-CD数据集仅提供t0和t1图像之间的变化标签，因此无法执行域内实验。4.1. 实验设置训练数据集。三个建筑物的遥感分割数据集被用来训练变化检测器的配方Unpair方程。(2) 和自我配对方程式(3)，其仅利用单一时间监督：• [33]第三十三话xView2数据集最初被提出用于建筑物损伤评估。的×1，024像素。• SpaceNet2[26]. SpaceNet2数据集由10，590张大小为650 650像素的0.3 m GSD HSR图像和219，316个城市建筑实例注释组成。在ChangeStar之后，我们也只使用了3波段的全色锐化RGB图像及其注释.• WHU建筑变化检测[15]. WHU数据集由2012年和2016年获得的同一地区的一对大小为15，35432，507像素的航空图像构成。它分别提供12，796和16，077个建筑实例标签，并在两个标签之间更改标签。训练集、验证集和测试集分别由4，736、1，036和2，416个从原始航空影像对中提取的图块组成评价数据集。我们在LEVIR-CD和WHU建筑变化检测数据集上评估了Unpair和Self-Pair方法，这两种方法广泛用于变化检测评估。• LEVIR-CD[5]. LEVIR-CD数据集包含637个双时HSR图像对和31，333个建筑实例上的更改标签。每个图像的大小为1，024 1，024像素，GSD为0.5m。变更标签提供有关新建筑物出现和现有建筑物消失训练集、验证集和测试集分为445对、128对和64对。利用测试集对Unpair和Self-Pair实作详细数据。我们基于三种最先进的变化检测器SNUNet-CD [9]、BIT-CD [4]和ChangeS-tar [33]来实验我们的增强策略。由于这些研究是在不同的骨干网、优化器和训练时间表设置下进行的，因此Self-Pair的实验遵循了大多数超参数6379表1. xView 2灾前→（WHU，LEVIR-CD）和SpaceNet 2→（WHU，LEVIR-CD）跨域任务中Unpair和Self-Pair方法的实验结果。Oracle是一个单域双时态监督训练设置。每个研究对于SNUNet-CD，采用16通道模型，对于BIT-CD和ChangeStar，采用ResNet 50骨干[12]。在训练阶段，以相同的概率采用了三种自配对的增强方法4.2. 跨域评估结果为了评估自配对，两个以前提出的方法（配对和Unpair）用于比较。对方法训练模型与双时态监督和评估下的域内设置，可以被认为是一个上限。与Pair和Unpair不同，Self-pair使用单时态监督来训练模型，并在跨域设置下进行评估，以检查泛化性能。这里Unpair与Zheng等人一起训练模型。[33]的方法，自对表示用我们提出的方法训练的模型。如表1所示，无论其体系结构如何，使用我们的增强方法训练的所有变化检测器都优于使用Unpair方法训练的变化检测器。即使对于ChangeStar模型，用我们的方法训练的模型的性能也优于用Pair方法训练的模型。这意味着Self-Pair方法比给定的固定数据集更能近似真实世界中变化的分布4.3. 域内评估结果我们评估了在WHU和LEVIR-CD数据集上使用每个Pair ， Unpair 和 Self-Pair 训 练 的ChangeStar 模 型 的 性能，以比较域内和跨域性能。实验结果见表2。如表2所 示 ， 我 们 基 于 Self-Pair 方 法 的 ChangeStar 不 仅 在WHU数据集上的域内实验中取得了最佳性能，而且在与LEVIR-CD数据集的跨域实验中也取得了最佳性能。此外，Pair方法在跨域实验中表现出最低的性能，即使在域内实验中也与Unpair方法没有显著模型方法WHU Trainset上的火车WHULEVIR-CDIoU（%）F1（%）IoU（%）F1（%）ChangeStar 取消配对78.1386.4159.2968.82ChangeStar 自配对83.5790.7766.7978.41ChangeStar对79.8987.9251.2355.11表2.根据每种增强方法（配对、解配对和自配对）对域内（WHU测试集）、跨域（LEVIR-CD测试集）性能的评估结果。实验这些结果表明，成对的图像是不必要的，在域内和跨域设置的变化检测。表3是分析自我配对中三个分量中的每一个的效果的实验。如表3所示，可以看出自配对的所有组件具有互补关系。同时使用Self-Pair和Pair方法进行训练时，模型的识别率比单独使用Self-Pair方法训练时最后，总结Tab2和Tab3的结果，表明配对输入设置对变化检测不是必需的，但对性能的提高有一定的优势。4.4. 定性结果图5显示了WHU建筑物变化检测数据集上配对、解配对和自配对之间的凸轮的定性分析结果如图5-（e），Unpair在两个实施例中都显示出高TP（真阳性）分数，但也显示出高FP（假阳性）分数。与Pair相比，Self-Pair显示出较低的FP和FN（假阴性），显示出较高的TP。总之，定性分析的比较结果表明，对于只关注真阳性分数的任务，使用Unpair方法是有效的;对于需要较低假阳性和较高真阳性的任务，使用Self-Pair方法是最佳的增强方法。模型方法灾前在xView2上进行培训SpaceNet2上的列车OracleWHULEVIR-CDWHULEVIR-CDWHULEVIR-CDIoU（%）F1（%）IoU（%）F1（%）IoU（%）F1（%）IoU（%）F1（%）IoU（%）F1（%）IoU（%）F1（%）对74.5487.1081.9392.11SNUNet-CD取消配对64.2872.1171.2280.0566.9174.7764.0170.98自配对69.1979.4077.5184.5272.9581.7069.3879.83对74.4886.0781.5190.86比特光盘取消配对60.1570.2263.2973.4366.1273.8563.1069.23自配对68.3778.7672.9182.5471.8180.7467.0477.29对79.8987.9291.0994.91ChangeStar取消配75.6182.2980.1388.6564.5172.1460.2068.326380SynthPair联系我们EMD（Pair，Self-Pair）EMD（Pair，Unpair）(a)t10Im$%&(b) 21Im$%&(c)地面实况(d)对(e)取消配对（f）自配对图5.配对、非配对和自配对的定性分析真阳性（TP）、假阳性（FP）和假阴性（FN）分别表示为绿色、红色和蓝色(a)更改的区域余弦（×10−2）4.317310.6672欧氏（×1）2.39463.7833(b)不变区域表3. 比较自配对的每个组件的效果的结果（UN：Unpair，CR ： Crop-and-Rotation ， IN ： Inpainting ， CP ： Copy-and-Paste with Blending，PA：Pair）。4.5. 讨论和消融研究为什么Self-Pair有效？自配对是一种从单个图像源生成视觉上合理的真实感合成图像以组成如果Self-Pair可以创建双时间配对图像的特征，则双时间配对设置和Self-Pair设置之间的域间隙应该很小[19]。图6示出了自配对、双时间配对设置（配对）和单时间配对设置（解配对）的t-SNE嵌入[25]如图6所示，在发生变化和没有变化的两种情况下，来自自配对的样本嵌入到来自配对的嵌入样本附近。这表明Self-Pair通过利用双时间配对图像的特性来创建合成图像。注意，自对可以比图1中的嵌入结果更广泛地嵌入。6、在训练阶段采用随机修补方法和复制粘贴混合方法。表 4 示出 地球 mover的 距离（EMD）[2] 在中间特征的集合之间。 无论样本标记为变化还是 不 变 ， EMD （ Self-Pair ，Pair ） 都 比 EMD（Unpair， Pair）花费更小的距离。无论是余弦度量还是欧几里德度量，这种趋势也是保持不变的表4. 图中所示的成对和自成对或成对和不成对的中间特征集之间的土方机距离（EMD）。六、成本指示使用哪种类型的距离度量。模型方法IOU增益FarSeg[35]基线71.500FarSeg[35]Naive-CP[10]69.29-2.21法塞格[35]CPwB74.71 +3.21PFNet[17]基线70.980PFNet[17][第10话]69.10-1.88PFNet[17]CPwB71.91 +0.93表5.根据每一个朴素的复制粘贴和混合增强策略的复制粘贴构建语义分割的评估结果。用于计算距离。因此，结果定量地证明了我们的方法比现有的单时间配对策略更有效地减少了域间隙[33]。消融研究表5显示了在构建语义分割数据集时比较朴素复制粘贴（朴素CP）[10]和混合复制粘贴（CPwB）的结果。如表中所示，Naive-CP的性能低于基线。对于遥感领域的语义分割，背景背景是非常重要的（例如，背景背景）。海上没有建筑此外，Ob-方法组件度量增益联合国CR 在 CP PA IOU F1IOUF1取消配对✓✓✓78.13 86.410 0自配对79.23 87.10 +1.10 +0.69对79.89 87.92 +1.76 +1.51自配对✓ ✓82.96 90.21 +4.83 +3.80余弦（×10−2）3.44245.9130欧氏（×1）1.58302.29146381对自配对取消配对对自配对取消配对(a) （b）不变的领域图6.t-SNE[25]的结果是通过连接ChangeStar在WHU变化检测数据集上训练的事件前和事件后图像的中间特征（a）是发生变化的区域的结果，以及（b）是没有变化的区域的结果模型方法IOU增益FarSeg[35]高斯平滑74.54-0.17FarSeg[35]Poisson blending[21]68.90-2.60法塞格[35]傅立叶混合76.19+1.48PFNet[17]高斯平滑72.29+0.38PFNet[17]Poisson blending[21]69.78-2.13PFNet[17]傅立叶混合73.41+1.50图7.WHU基准数据效率注意自配对和解配对需要三倍于配对的迭代次数才能收敛.不同的场景之间的差异。这就是为什么没有考虑高速铁路遥感图像特性而设计的Naive-CP的性能显着降低的原因。另一方面，CPwB仅使用一个单个图像来设置用于变化检测模型的输入对，这意味着没有尺度变化并且背景的上下文是固定的。由于这些原因，CPwB可以很容易地适应遥感图像域的特点，并显示出改善的结果的基线，而朴素CP无法适应它，并显示退化的结果。表6显示了比较高斯平滑、[8]中使用的泊松混合[21]和我们的傅立叶混合的性能的结果。高斯平滑没有改进，泊松混合表现不佳相比，复制和粘贴没有混合。为了分析这种现象，我们基于图1中的每种混合方法对增强样本进行可视化。4.第一章在图4中，红色方框中显示的粘贴建筑物非常小，4-（c），用泊松方法混合后，大部分粘贴的建筑物被擦除。然而，在图4-（d）当使用傅立叶方法进行混合时，每个粘贴的建筑物留下变化的纹理。因此，定性和定量的结果表明，混合方法可以减轻硬增强产生的伪影，表6.比较了各种混匀方法的效果导致性能改进。WHU数据集上的数据效率。Self-Pair根据三种策略以各种形式增加数据图7显示了评估Pair、Unpair和Self-Pair的数据效率的结果。Self-Pair显著提高了WHU建筑变化检测数据集的数据效率。5. 结论在这项工作中，我们重新定义的变化检测问题的方式如何发生的变化-如何在现实世界中发生的变化建模。提出了一种新的数据增强方法Self-Pair，该方法基于单时单图像生成用于构造输入对的合成图像，解决了双时成对监督学习中包含变化的对集合我们希望我们的方法减少了数据收集的时间成本，使对象变化检测研究更容易，可扩展性和经济。确认这项工作得到了科学和信息通信技术部（MSIT，韩国）光州广域市资助的人工智能产业融合集群发展项目的支持6382引用[1] 乔巴·贝内德克和塔玛的儿子。用多层条件混合马尔可夫模型检测光学航空图像中的变化IEEE Transactions onGeoscience and Remote Sens-ing，47（10）：3416[2] Nicolas Bonneel、Michiel Van De Panne、Sylvain Paris和Wolfgang Heidrich。利用拉-格朗日质量输运的位移插值。2011年SIG-GRAPH亚洲会议论文集，第1-12页，2011年[3] 陈宏佳，蒲芳玲，杨瑞，唐瑞，徐欣。Rdp-net：用于变化检测的区域细节保持网络。arXiv预印本arXiv：2202.09745，2022。[4] 陈浩，齐子鹏，石振威遥感图像变化检测与变压器。IEEE Transactions on Geoscience and Remote Sensing，2021。[5] 陈昊和石振伟。基于时空注意力的遥感图像变化检测方法及新数据集。遥感，12（10）：1662，2020.[6] Liang-ChiehChen ， GeorgePapandreou ， IasonasKokkinos，Kevin Murphy，and Alan L Yuille.Deeplab：使用深度卷积网络、atrous卷积和全连接crfs进行语义IEEE Transactions on Pattern Analysis and MachineIntelligence，40（4）：834[7] Rodrigo Caye Daudt ， Bertr Le Saux ， AlexandreBoulch，and Yann Gousseau.使用卷积神经网络进行多光谱地球观测的城市变化检测。在IGARSS 2018-2018IEEE国际地球科学和遥感研讨会上，第2115-2118页。IEEE，2018年。[8] 尼基塔·德沃尔尼克朱利安·麦拉尔和科迪莉亚·施密德建模视觉上下文是增强对象检测数据集的关键。在欧洲计算机视觉会议（ECCV）的会议记录中，第364-380页[9] Sheng Fang ， Kaiyu Li ， Jinyuan Shao ， and ZheLi.Snunet-cd：一个密集连接的连体网络，用于检测vhr图 像 的 变 化 。 IEEE Geoscience and Remote SensingLetters，2021。[10] Golnaz Ghiasi，Yin Cui，Aravind Srinivas，Rui Qian，Tsung- Yi Lin，Ekin D Cubuk，Quoc V Le，and BarretZoph.简单的复制粘贴是一种强大的数据增强方法，用于实例分割。在IEEE/CVF计算机视觉和模式识别会议论文集，第2918- 2928页[11] 龚茂国、赵娇娇、刘佳、苗启光、焦立成。基于深度神经网络的合成孔径雷达图像变化检测IEEE transactionson neural networks and learning systems，27（1）：125[12] Kaiming He，Xiangyu Zhang，Shaoying Ren，and JianSun.用于图像识别的深度残差学习。在Proceedings ofthe IEEE conference on computer vision and patternrecognition，第770-778页[13] 嘉兴黄，大雁关，敖然肖，陆世坚。Fsdr：用于域泛化的频率空间域随机化。在IEEE/CVF计算机视觉和模式识别会议论文集，第6891- 6902页[14] Masroor Hussain，Dongmei Chen，Angela Cheng，HuiWei，and David Stanley.遥感变化检测图像：从基于像素到基于对象的方法。IS-PRS摄影测量和遥感杂志，80：91[15] 季顺平，魏世清，孟璐。用于从开放式航空和卫星图像数据集中提取多源建筑物的全IEEE Transactions onGeoscience and Remote Sensing，57（1）：574[16] Hilm i Kumdakc，CihanOüngUün ，and AlptekinT emizel.根-用于航空图像中车辆检测的数据增强。模式识别国际会议，第19-31页。斯普林格，2021年。[17] Xiangtai Li ， Hao He ， Xia Li ， Duo Li ， GuangliangCheng，Jianping Shi，Lubin Weng，Yunhai Tong，andZhouchen Lin.点流：通过点来进行航空图像分割的语义流。在IEEE/CVF计算机视觉和模式识别会议论文集，第4217[18] 刘进和季顺平。一种新的循环编码器-解码器结构，用于从开放的航空数据集进行大规模多视图立体重建。在IEEE/CVF计算机视觉和模式识别会议论文集，第6050-6059页[19] 龙明生，曹跃，王建民，迈克尔·乔丹.使用深度自适应网络学习可转移特征国际机器学习会议，第97-105页。PMLR，2015.[20] Lichao Mou ， Xiaoxiang Zhu ， Maria Vakalopoulou ，Kon- stantinos Karantzalos，Nikos Paragios，Bertrand LeSaux，Gabriele Moser，and Devis Tuia.空间多时相甚高分辨率：2016年IEEE GRSS数据融合竞赛结果。IEEEJournal of Selected Topics in Applied Earth Observationsand Remote Sensing，10（8）：3435[21] 帕特里克·佩雷斯、米歇尔·冈内特和安德烈·W·布莱克。泊松图像编辑。ACM SIGGRAPH 2003论文，第3132003年。[22] 李申，姚璐，陈昊，郝伟，谢东海，岳嘉宝，陈锐，吕守业，江碧涛。S2looking：用于建筑物变化检测的卫星侧视数据集。遥感，13（24）：5094，2021.[23] Ashbindu Singh使用遥感数据的数字变化检测技术。国际遥感杂志，10（6）：989[24] 亚历山德鲁·泰莱亚 一种基于快速行进法图形工具杂志，9（1）：23[25] Laurens Van der Maaten和Geoffrey Hinton使用t-sne可视化 数 据 。 Journal of Machine Learning Research ， 9（11），2008.[26] AdamVanEtten ， DaveLindenbaum ， ToddMBacastow.Spacenet：遥感数据集和挑战系列。arXiv预印本arXiv：1807.01232，2018。[27] Syed Waqas Zamir 、 Aditya Arora 、 Akshita Gupta 、Salman Khan、Guolei Sun、Fahad Shahbaz Khan、FanZhu、Ling Shao、Gui-Song Xia和Xiang Bai。isaid：用于 航 空 图 像 中 的 实 例 分 割 的 大 规 模 数 据 集 。 在IEEE/CVF计算机视觉和模式识别研讨会上，第28-37页6383[28] Gui-Song Xia，Xiang Bai，Jian Ding，Zhen Zhu，SergeBe- longie，Jiebo Luo，Mihai Datcu，Marcello Pelillo，and Liang-pei Zhang.Dota：用于航空图像中物体检测的大规模数据集。在IEEE计算机视觉和模式识别会议论文集，第3974-3983页[29] 杨艳超和斯特凡诺·索托。Fda：语义分割的傅立叶域适应。在IEEE/CVF计算机视觉和模式识别会议论文集，第4085-4095页[30] Sangdoo Yun ， Dongyoon Han ， Seong Joon Oh ，Sanghyuk Chun ， Junsuk Choe ， and Youngjoon Yoo.Cutmix：正则化策略，用于训练具有本地化特征的强分类器在IEEE/CVF计算机视觉国际会议论文集，第6023-6032页[31] Hongyi Zhang，Moustapha Cisse，Yann N Dauphin，andDavid Lopez-Paz. mixup：超越经验风险最小化。arXiv预印本arXiv：1710.09412，2017。[32] Hengshuang Zhao ， Jianping Shi ， Xiaojuan Qi ，Xiaogang Wang，and Jiaya Jia.金字塔场景解析网络。在IEEE计算机视觉和模式识别会议论文集，第2881-2890页[33] Zhuo Zheng，Ailong Ma，Liangpei Zhang，and YanfeiZhong.变化无处不在：遥感图像中的短时监督目标变化检测。在IEEE/CVF计算机可视化国际会议论文集，第15193-15202页[34] Zhuo Zheng，Yanfei Zhong，Shiqi Tian，Ailong Ma，and Liangpei Zhang. Changemask：用于语义变化检测的深度多任务编码器-转换器-解码器架构。ISPRS Journalof Photogrammetry and Remote Sens-ing，183：228[35] 卓正、钟燕飞、王君绝、马爱龙。高空间分辨率遥感图像 中 地 理 空 间 对 象 分 割 的 前 景 感 知 关 系 网 络 在IEEE/CVF计算机视觉和模式识别会议论文集，第4096-4105页