LEVIR-CD
PulseAugur coverage of LEVIR-CD — every cluster mentioning LEVIR-CD across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SiamixFormer Transformer模型改进遥感图像分析
研究人员开发了SiamixFormer，一种利用Transformer架构的新型Siamese网络，用于增强遥感图像中的建筑物和变化检测。该模型处理灾前和灾后图像，并采用时间Transformer进行特征融合，以保持大的感受野。在xBD、WHU、LEVIR-CD和CDD等基准数据集上的评估表明，SiamixFormer在准确性方面优于现有的最先进方法。
-
新框架增强了遥感中的开放词汇变化检测 · 跟踪到2个来源
研究人员推出了一种新颖的遥感开放词汇变化检测（OVCD）框架ReA-OVCD。该方法通过语义和空间分析相结合来精炼变化检测，克服了现有方法的局限性，避免了实例级和像素级比较之间的权衡。该框架包含一个语义变化推理模块，用于分析分布差异和响应变化；以及一个边界感知变化精炼模块，用于验证候选区域。在多个数据集上的实验表明，ReA-OVCD 在效率提高的同时，性能优于最先进的方法。
-
新框架改进无监督建筑变更检测
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。
-
新CSI-Net改进遥感影像变化检测
研究人员开发了一种名为CSI-Net的新型网络，用于遥感影像的变化检测。该网络有效整合了空间和光谱信息以提高准确性。CSI-Net通过采用空间推理模块、光谱差异模块和内容引导集成模块，解决了区分实际变化与未变化区域变化的问题。在多个数据集上的实验表明，CSI-Net的性能优于现有的最先进方法。
-
FAF-CD框架提高了遥感图像变化检测的准确性
研究人员开发了FAF-CD，一种用于遥感图像变化检测的新型框架，在处理不完美和异构观测数据时尤其有效。该系统利用了DINOv3预训练编码器和基于VMamba的解码器，并包含一个融合模块，该模块可以对齐空间数据并使用傅里叶和Haar小波变换比较频率信息。FAF-CD在包括EO-SAR灾害测绘和光学变化检测在内的各种数据集上，均显示出比现有方法更高的准确性和效率。
-
新框架通过大-小模型协同增强农田变化检测能力
研究人员开发了一种新的农田语义变化检测框架，解决了现有基准和模型中的局限性。所提出的方法，称为细粒度差异感知Mamba (FD-Mamba) 结合跨模态逻辑仲裁 (CMLA)，使用一个小型、任务特定的模型以及一个大型、冻结的视觉语言模型。这种协同旨在通过保留边界、定位小区域和通过文本先验抑制伪变化来改进细粒度监测。在新 HZNU-FCD 基准和其他数据集上的实验表明，在可训练参数相对较少的情况下，具有高准确性和鲁棒性。
-
FractalMamba++ 使用希尔伯特曲线跨分辨率扩展视觉模型
研究人员推出了 FractalMamba++，这是一种增强型视觉骨干网络，旨在提高基于 Mamba 的模型在处理高分辨率输入时的性能。这种新架构利用希尔伯特曲线的几何特性对图像块进行序列化，确保更好的空间连续性并减轻长序列中的信息衰减。该系统采用了新颖的分层跳跃连接和分形感知位置编码技术，以保持基于实际空间邻近度的特征交互。
-
新框架MemOVCD和OmniOVCD推进开放词汇变化检测
两篇新研究论文介绍了遥感图像中开放词汇变化检测的新方法。MemOVCD利用跨时空记忆推理和全局-局部自适应校正来改善时间耦合和空间一致性，在多个基准测试中取得了良好的性能。OmniOVCD通过利用Segment Anything Model 3 (SAM 3) 和协同融合到实例解耦策略来简化该过程，在四个数据集上展示了最先进的结果。