WHU-CD
PulseAugur coverage of WHU-CD — every cluster mentioning WHU-CD across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
MambaRefine-CD：遥感变化检测新框架
研究人员推出 MambaRefine-CD，一个用于遥感影像变化检测的新型框架。该系统利用 MambaVision 编码器和 D-RBI 模块处理时序证据，将其分离到区域和边界精炼的独立流中。该框架通过 CRAM-lite 和自适应感受野 FPN 增强区域特征，而边界流则指导残差精炼过程。在 DSIFN-CD 和 WHU-CD 数据集上的实验表明，在 F1 和 IoU 分数方面性能有所提高，消融实验证实了带符号时序证据和完整的区域-边…
-
MambaRefine-CD 框架提升遥感变化检测能力
研究人员推出 MambaRefine-CD，一个用于遥感影像二元变化检测的新型框架。该系统利用共享的 MambaVision 编码器和 D-RBI 模块处理时序证据，将其分离为区域和边界流以增强分析。该框架旨在实现变化的完整区域定位和精确边界描绘，在 DSIFN-CD 和 WHU-CD 等基准数据集上表现强劲。
-
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。
-
新的MSI-Net模型利用遥感技术改进地震灾害评估
研究人员开发了一种名为MSI-Net的新型深度学习模型，以改进遥感图像中的变化检测，特别是用于评估地震后的建筑物损坏情况。该模型解决了时间间隔短和时间图像之间角度差异带来的挑战，这些问题可能导致侧视效应等问题。MSI-Net集成了联合交叉注意力、多尺度偏移校准和特征融合模块，以增强特征交互和对齐，并在现有和新创建的数据集上展示了卓越的性能。
-
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。
-
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。