【高校科研前沿】北师大陈晋教授团队在遥感顶刊发表最新成果：ClearSCD模型：在高空间分辨率遥感影像中综合利用语义和变化关系进行语义变化检测

最新推荐文章于 2024-09-21 10:00:00 发布
原创 最新推荐文章于 2024-09-21 10:00:00 发布 · 1.7k 阅读 · 13 ·
CC 4.0 BY-SA版权
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。
文章标签：

#人工智能 #机器学习 #算法 #论文笔记

01文章简介

论文名称：The ClearSCD model: Comprehensively leveraging semantics and change relationships for semantic change detection in high spatial resolution remote sensing imagery（ClearSCD模型：在高空间分辨率遥感影像中综合利用语义和变化关系进行语义变化检测）

第一作者及通讯作者：Kai Tang；陈晋（教授）

第一作者及通讯作者单位：北京师范大学地理学部

文章发表期刊：《ISPRS Journal of Photogrammetry and Remote Sensing》（遥感领域顶级期刊&中科院1区Top期刊|最新影响因子：12.4）

期刊平均审稿速度：9个月（参考）

02 研究内容

1.文章摘要

        地球表面持续存在着众多人为和自然变化。高空间分辨率遥感图像在全球范围内准确揭示这些变化提供了独特的视角。利用高空间分辨率遥感图像进行语义变化检测（SCD）已成为在语义层面跟踪地表类型演变的常用技术。然而，现有的语义变化检测方法

最低0.47元/天 解锁文章

200万优质内容无限畅学
IEEE · 2024年11月 · 一种新的语义变化检测网络
天波风客的博客
11-20 1132
《BT-HRSCD: High-Resolution Feature Is What You Need for a Semantic Change Detection Network with a Triple-Decoding Branch》https://ieeexplore.ieee.org/document/10755134/摘要Semantic Change Detection (SCD...
A review of multi-class change detection for satellite remote sensing imagery
始于足下
06-02 1418
CD技术通过分析同一地理区域在不同时间获取的多时相遥感影像，来识别地面物体的变化。该技术对环境监测、城市扩张与重建以及灾害评估等研究领域具有重要意义。传统BCD主要关注变化区域和非变化区域，无法提供更细致的土地利用和覆盖（Land Use and Land Cover, LULC）变化信息。随着地球观测卫星技术的不断进步，遥感影像的空间分辨率不断提高，使得多类别变化检测（Multi-class Change Detection, MCD）成为研究的热点方向。
语义变化检测_pape
02-15
欢迎来到GitHub Pages 您可以使用的来维护和预览Markdown文件中网站的内容。 每当您提交到该存储库时，GitHub Pages都会运行从Markdown文件中的内容重建站点中的页面。 降价促销 Markdown是一种轻巧且易于使用的语法，可用于样式化您的文字。 它包括以下约定 Syntax highlighted code block # Header 1 ## Header 2 ### Header 3 - Bulleted - List 1. Numbered 2. List **Bold** and _Italic_ and `Code` text [ Link ](url) and ![ Image ](src) 有关更多详细信息，请参见 。 吉柯主题 您的Pages网站将使用您在选择的Jekyll主题的布局和样式。 该主题的名称保存在Jekyll _conf
遥感语义分割、变化检测论文小trick合集（持续更新）
向上生长的程序媛的博客
10-26 590
本文的全局上下文 聚合模块利用非局部块的思想,通过将全局上下文 信息添加到所有位置来捕获远程依赖。非局部块中 的变换模块是一个 1 × 1 卷积层,通常高层特征的通 道数数目庞大,这使得变换模块具有大量的参数。可以使得在大模型预训练时，只学习少量参数即可达到很好的效果，比如给VIT-base中的12个block分别做joint adapter模块，只学习adapter模块的参数即可，上图是做视频理解的AIM模型，在时间和空间维度分别做adapter，语义分割可以在空间和维度上做。整理不易，欢迎一键三连！
变化检测（Change Detection）
qq_34717531的博客
09-21 3995
4）方法：为了解决这一问题，作者提出了一种基于VLM引导的半监督CD方法，即DiffMatch。为了解决当前大部分VLMs仅适用于单时相图像的问题，首先提出了基于VLM的混合变化事件生成策略（CEG），为未标记的CD数据生成伪标签。此外，通过自动生成的伪标签和改进的模型结构，这些技术可以在较低的标注开销下实现更高的精度和更好的性能，对于实时或大范围的监测应用尤为关键。3）背景：现有的变化检测方法需要大量的像素级标注数据，而标注这些数据是一项费时费力且昂贵的工作，尤其是对于多时相图像而言。
论文阅读：SCDNET: A novel convolutional network for semantic change detection in high resolution optical
Jkway
12-15 4372
SCDNET:一种用于高分辨率光学遥感图像变化检测网络变化检测新的网络架构，提出了一种新的语义CD网络(SCDNet)，在该网络中可以生成像素级的语义变化图。因此，通过带有“从到”类标签的双时态语义更改映射，可以很容易地表示更改转换状态。SCDNet基于编码器-解码器架构设计，由两个编码器和两个解码器组成，可以有效地结合双时间图像信息生成语义变化图
StarFusion: 北师大研发的高时空分辨率遥感图像数据集
StarFusion模型是由北京师范大学陈晋团队提出的一种创新的遥感图像处理模型，其核心特征在于双流时空解耦融合架构。该架构通过结合传统的时空融合（STF）方法和深度学习技术，旨在生成高时空分辨率的遥感图像，这在...
StarFusion遥感研究数据集.zip
09-11
StarFusion是北京师范大学陈晋团队提出的一种双流时空解耦融合架构模型，该模型结合了传统的STF方法与深度学习，用于生成高时空分辨率的遥感图像。在StarFusion的研究中，使用了来自Gaofen-1和Sentinel-2卫星的数据...
探地雷达在植物粗根探测中的最新进展与应用
文章作者郭立、吴渊等人基于北京师范大学的研究平台，结合高等学校博士学科点专项科研基金和自主基金的支持，展示了他们在这个领域的专业实力。通讯作者陈晋教授作为生态遥感领域的专家，对探地雷达在粗根探测中的...
1992-2021年 各省市县经过矫正的夜间灯光数据（GNLD、VIIRS）区域汇总：省份、城市、区县面板数据 .r.rar
11-16
​夜间灯光是一种遥感数据，是在卫星上通过传感器探测到的夜晚地球的灯光、火光等图片矢量等信息，能够大范围的长时间的对地表进行观测，具有高可信度​而且非常实用的数据。 此数据可以作为人类活动区域情况的提现...
讲座：基于深度学习的遥感影像语义分割与变化检测方法介绍
Maple__Boy
04-15 8873
报告将总结已有的基于深度学习的遥感影像语义分割方法和变化检测方法，并介绍一种基于对象的影像语义分割方法和一种基于深度监督融合网络的高分影像变化检测方法；对于在研究方向上长时间难以取得突破的同学，报告人将分享自己从GIS向RS的科研转向之路。 人物名片：张晨晓，武汉大学测绘遥感信息工程国家重点实验室2016级博士，师从乐鹏教授，以第一作者发表SCI论文三篇，获得博士国家奖学金、中海达奖学金等。 本次报告，张晨晓博士从下面几个方面介绍了自己在遥感语义分割与变化检测方向的研究进展和从GIS转到RS的心路历程：
双时相语义推理网络用于高分辨率遥感影像中的语义变化检测
最新发布
03-04
内容概要：本文提出了一种新的卷积神经网络（CNN）架构及其扩展版本——双时相语义推理网络（Bi-SRNet），专为高分辨率遥感影像的语义变化检测（SCD）设计。传统方法存在的问题是时间分支和变化分支之间的通信不足，以及对时空语义相关性的建模不充分。所提出的架构引入了Siamese语义推理块和跨时态语义一致性损失函数来解决这些问题，实验证明其性能显著优于现有方法，在精度和语义一致性方面都有所提升。文中还详细探讨了各个组成部分的作用并进行了广泛的实验验证。 适合人群：从事地理信息系统、遥感技术和深度学习研究的科研工作者和学生，尤其是关注语义变化检测及其应用的人群。 使用场景及目标：本文的研究适用于需要精准监测地表覆盖物与土地利用变化的应用场景，如城市规划、环境保护和灾害评估等。目的是通过精确的变化检测来支持政策制定者进行更加合理的决策。 其他说明：提供的代码位于GitHub仓库https://github.com/ggsDing/Bi-SRNet可供研究与开发之用。文中使用SECOND数据集测试了多种模型架构的效果，并提出了三个关键创新点：融合深层时空特征、引入双重推理模块以及优化一致性损
开源项目教程：语义场景变化检测网络（SSCDNet）
gitblog_00450的博客
09-11 493
开源项目教程：语义场景变化检测网络（SSCDNet） 1. 项目介绍 本项目实现了“相关联的孪生变化检测网络（CSCDNet）”与“基于轮廓的语义变化检测网络（SSCDNet）”，来源于论文《弱监督下的基于轮廓的语义场景变化检测》(ICRA2020)。SSCDNet旨在通过半监督学习方法处理云检测等卫星图像中的域迁移问题。它利用Siamese网络结构，结合轮廓信息，有效地识别场景中的变化，特别是...
遥感影像变化检测数据集
热门推荐
lzq-rser
02-20 2万+
文章目录遥感影像中变化检测数据集1. S2MTCP2. Hi-UCD3. SECOND4. CD_Data_GZ5. LEVIR-CD6. LEVIR-CD+7.SLADCD8. HRSCD9. Mts-WH10. WHU Building Change detection Dataset11. Synthetic images and read season-varying remote sensing images12. OSCD13. AICD Dataset14. SZTAKI15. Hypersp
【论文笔记】SSCDNet：弱监督语义场景变化检测模型
zuzhiang的博客
03-01 3992
本文是论文《Weakly Supervised Silhouette-based Semantic Scene Change Detection》的阅读笔记。 文章提出了一个新颖的弱监督语义场景变化检测的模型，将任务分为变化检测和语义提取两部分。并在孪生神经网络中引入了相关层（correlation layer），以及创造了一个新的语义变化检测的数据集。 一、相关工作 语义场景变化检测任务就是检测并标注每种场景变化的种类，一种方法是直接对比像素级语义分割的结果，另一种是直接对比物体检测的结果。该任务有两个
变化检测文献总结
qq_32425195的博客
04-23 3428
1.Multitask learning for large-scale semantic change detection （2019 Computer Vision and Image Understanding） 1.提出1个用于变化检测的数据集：https://ieee-dataport.org/open-access/hrscd-high-resolution-semantic-chan...
Learning to Measure Changes: Fully Convolutional Siamese Metric Networks for Scene Change Detection
m0_61899108的博客
02-19 2844
论文 论文题目：Learning to Measure Changes: Fully Convolutional Siamese Metric Networks for Scene Change Detection 收录于：IEEE TRANSACTIONS ON MULTIMEDIA（TMM 2018） 论文地址：https://arxiv.org/abs/1810.0911 项目地址：https://github.com/gmayday1997/ChangeDet Abstract
算法思路-遥感语义分割与变化检测
始于足下
04-16 515
首先需要考虑根据影像我们可以获取的可利用信息:
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
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