研究人员推出了一种新颖的UniCD框架,旨在统一遥感图像的各种变化检测方法。该框架可以在单个网络中容纳监督、弱监督、无监督和混合监督学习,解决了现有方法通常只针对一种监督范式的问题。UniCD利用监督锚定的跨粒度原型传播,在不同标注粒度之间转移可靠的变化语义,并采用多源一致性校正来过滤不可靠的伪标签。在LEVIR-CD和WHU-CD等基准数据集上的实验表明,UniCD的性能显著优于传统的混合训练方法。 AI
影响 该框架可以通过利用不同的标注类型,实现更灵活高效的遥感变化检测。
排序理由 该集群包含一篇学术论文,详细介绍了针对特定计算机视觉任务的新框架和方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Kaixuan Jiang
- LEVIR-CD
- Multi-source Consistency Rectification
- Supervision-Anchored Cross-Granularity Prototype Propagation
- UNICDOTMY Pro
- WHU-CD
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →