研究人员开发了一种名为SST-CD的新框架，用于使用遥感图像进行无监督建筑变更检测。该方法将问题重新表述为具有噪声伪监督的端到端检测器学习，重点关注由局部一致性标准识别的空间可靠像素。该框架还包含一个特征适配器和一个基于原型的解码器，以稳定训练并生成紧凑的表示。SST-CD在LEVIR-CD、WHU-CD和DSIFN-CD等基准数据集上展示了卓越的性能，优于现有的无标签方法。 AI
影响 增强了遥感分析的无监督学习能力，可能改进基础设施监测和城市规划。
排序理由 这是一篇详细介绍特定计算机视觉任务新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.10775v1 Announce Type: new Abstract: Unsupervised building change detection aims to learn building-change masks from unlabeled bi-temporal remote sensing images. Existing label-free methods often follow a discrepancy-to-mask paradigm, directly using temporal difference…
Unsupervised building change detection aims to learn building-change masks from unlabeled bi-temporal remote sensing images. Existing label-free methods often follow a discrepancy-to-mask paradigm, directly using temporal differences, frozen foundation-model responses, prompt-bas…