王,李;张,明;沈,晓;施,伟。利用多级特征增强变化检测网络进行滑坡地质灾害的制图。IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2023, 16, 3599-3610. [CrossRef]
谢,S.;Girshick,R.;Dollár,P.;Tu,Z.;He,K. 聚合残差变换用于深度神经网络。在计算机视觉和模式识别 IEEE 会议论文集中,夏威夷,美国,2017 年 7 月 21 日至 26 日;第 1492-1500 页。
何凯明;张晓东;任少波;孙剑。深度残差学习用于图像识别。在计算机视觉和模式识别 IEEE 会议论文集中,拉斯维加斯,内华达州,美国,2016 年 6 月 26 日至 7 月 1 日;第 770-778 页。
Szegedy, C.; Liu, W.; Jia, Y.; Sermanet, P.; Reed, S.; Anguelov, D.; Erhan, D.; Vanhoucke, V.; Rabinovich, A. 使用卷积进行更深入的研究。在计算机视觉和模式识别的 IEEE 会议论文集中,波士顿,美国,2015 年 6 月 7 日至 12 日;第 1-9 页。
Simonyan, K.; Zisserman, A. 非常深的卷积神经网络用于大规模图像识别。arXiv 2014,arXiv:1409.1556
刘,W.;Anguelov,D.;Erhan,D.;Szegedy,C.;Reed,S.;Fu,C.-Y.;Berg,A.C. SSD:单次多框检测器。在计算机视觉-ECCV 2016:第 14 届欧洲会议上的论文集,荷兰阿姆斯特丹,2016 年 10 月 11 日至 14 日;第 21-37 页。
Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. 你只需要看一次:统一的、实时的物体检测。在计算机视觉和模式识别的 IEEE 会议论文集中,拉斯维加斯,内华达州,美国,2016 年 6 月 26 日至 7 月 1 日;第 779-788 页。
Girshick, R. Fast R-Cnn. 在 2015 年 12 月 7 日至 13 日智利圣地亚哥举行的 IEEE 国际计算机视觉会议上发表。页码为 1440-1448。
赵,H.;石,J.;齐,X.;王,X.;贾,J. 金字塔场景解析网络。在计算机视觉与模式识别 IEEE 会议论文集中,美国夏威夷檀香山,2017 年 7 月 21 日至 26 日;第 2881-2890 页。
陈良超,帕帕安德鲁,施罗夫,亚当。重新思考用于语义图像分割的空洞卷积。arXiv 2017,arXiv:1706.05587。
Ronneberger, O.; Fischer, P.; Brox, T. U-Net: 生物医学图像分割的卷积网络。在《医学图像计算与计算机辅助干预-MICCAI 2015: 第 18 届国际会议》论文集中,慕尼黑,德国,2015 年 10 月 5 日至 9 日;第 234-241 页。
陈,H.;石,Z.一种基于空间-时间注意力的遥感图像变化检测方法和一个新的数据集。遥感。2020 年,12,1662。[CrossRef]
石,琦;刘,敏;李,硕;刘,晓;王,飞;张,亮。一种基于深度监督注意力度量的网络和用于遥感变化检测的开放式航空图像数据集。IEEE 地球科学与遥感学报,2021 年,60,3085870。[交叉引用]
方,S.;李,K.;邵,J.;李,Z. SNUNet-CD:一种用于高分辨率图像变化检测的密集连接孪生网络。IEEE 地球科学与遥感快报,2021 年,19,3056416。[CrossRef]
李,Z.;唐,C.;刘,X.;张,W.;窦,J.;王,L.;Zomaya,A.Y. 轻量级遥感变化检测与渐进特征聚合和监督注意力。IEEE Trans. Geosci. Remote Sens. 2023, 61, 3241436. [CrossRef]
Rumelhart, D.E.; Hinton, G.E.; Williams, R.J. 通过反向传播错误学习表示。自然 1986 年,323,533-536。[CrossRef]
Hochreiter, S.; Schmidhuber, J. 长短期记忆。神经计算。1997 年,9,1735-1780。[CrossRef]
Chung, J.; Gulcehre, C.; Cho, K.; Bengio, Y. 门控循环神经网络在序列建模上的实证评估。arXiv 2014, arXiv:1412.3555.
Mikolov, T.; Kombrink, S.; Burget, L.; Černocký, J.; Khudanpur, S. 循环神经网络语言模型的扩展。在 2011 年 IEEE 国际声学、语音和信号处理会议(ICASSP)论文集中,捷克共和国布拉格,2011 年 5 月 22 日至 27 日;第 pp 页。 5528-5531.
深度状态空间模型用于时间序列预测。 在第 32 届国际神经信息处理系统会议论文集中;Curran Associates Inc.:纽约红钩,美国,2018 年;页码 7796-7805。
Vaswani, A.; Shazeer, N.; Parmar, N.; Uszkoreit, J.; Jones, L.; Gomez, A.N.; Kaiser, Ł.; Polosukhin, I. 注意力就是你所需要的。在第 31 届神经信息处理系统国际会议论文集中;Curran Associates Inc.:红钩,纽约,美国,2017 年;页码。 6000-6010.
王,W.;谢,E.;李,X.;范,D.-P.;宋,K.;梁,D.;卢,T.;罗,P.;邵,L. 金字塔视觉Transformer:一种无卷积的密集预测通用骨干。 在 2021 年 10 月 11 日至 17 日加拿大蒙特利尔举行的 IEEE/CVF 国际计算机视觉会议论文集中,第 568-578 页。
Gulati, A.; Qin, J.; Chiu, C.-C.; Parmar, N.; Zhang, Y.; Yu, J.; Han, W.; Wang, S.; Zhang, Z.; Wu, Y.; et al. Conformer: ConvolutionAugmented Transformer for Speech Recognition. arXiv 2020, arXiv:2005.08100.
Unet++:一种用于医学图像分割的嵌套 u-Net 架构。 在《深度学习在医学图像分析和临床决策支持的多模态学习中的应用》会议论文集中,西班牙格拉纳达,2018 年 9 月 20 日;第 3-11 页。
雷,T.;张,Q.;薛,D.;陈,T.;孟,H.;南迪,A.K. 使用对称全卷积网络进行端到端变化检测,用于滑坡制图。 在 2019 年 ICASSP 国际会议论文集中,IEEE 国际声学、语音和信号处理会议(ICASSP)的论文,于 2019 年 5 月 12 日至 17 日在英国布莱顿举行;页码为 3027-3031。
阿尔马希里,A.;巴拉斯,N.;库伊曼斯,T.;郑,Y.;拉罗谢尔,H.;库尔维尔,A. 动态容量网络。在机器学习国际会议论文集中,纽约,美国,2016 年 6 月 20-22 日;第 2549-2558 页。
Jaderberg, M.; Simonyan, K.; Zisserman, A. 其他空间Transformer网络。Adv. Neural Inf. Process Syst. 2015, 28, 2017-2025.
公园,J.;Woo,S.;李,J.-Y.;权,I.S. Bam:瓶颈注意模块。arXiv 2018,arXiv:1807.06514。
Woo, S.; Park, J.; Lee, J.-Y.; Kweon, I.S. Cbam: 卷积块注意力模块. 在欧洲计算机视觉会议(ECCV)论文集中,德国慕尼黑,2018 年 9 月 8 日至 14 日; 第 3-19 页。
李,C.-Y.;谢,S.;加拉格尔,P.;张,Z.;涂,Z. 深度监督网络。在人工智能和统计学会议论文集中,美国加利福尼亚州圣地亚哥,2015 年 5 月 9 日至 12 日;第 562-570 页。
Sandler, M.; Howard, A.; Zhu, M.; Zhmoginov, A.; Chen, L.-C. Mobilenetv2: 反向残差和线性瓶颈。在计算机视觉和模式识别 IEEE 会议论文集中,盐湖城,美国,2018 年 6 月 18 日至 23 日; pp.
.
楚,X.;田,Z.;王,Y.;张,B.;任,H.;魏,X.;夏,H.;沈,C. 双胞胎:重新审视视觉中的空间注意设计。Adv. Neural Inf. Process Syst. 2021, 34, 9355-9366.
Touvron, H.; Cord, M.; Sablayrolles, A.; Synnaeve, G.; Jégou, H. 图像Transformers的深入研究。在 2021 年 10 月 11 日至 17 日加拿大蒙特利尔举行的 IEEE/CVF 国际计算机视觉会议论文集中,第 32-42 页。
韩,K.;肖,A.;吴,E.;郭,J.;徐,C.;王,Y. 在Transformer中的Transformer。Adv. Neural Inf. Process Syst. 2021, 34, 15908-15919.
郑,Z.;钟,Y.;田,S.;马,A.;张,L. ChangeMask:用于语义变化检测的深度多任务编码-解码架构。ISPRS J. Photogramm. Remote Sens. 2022, 183, 228-239. [CrossRef]
张,X.;程,S.;王,L.;李,H.基于 CNN 和Transformer的非对称交叉注意力分层网络用于双时相遥感图像变化检测。IEEE Trans. Geosci. Remote Sens. 2023, 61, 3245674. [CrossRef]
陈,H.;齐,Z.;石,Z. 使用Transformers进行遥感图像变化检测。IEEE 地球科学与遥感传感器学报,2021 年,60,3095166。[交叉引用]
刘,M.;石,Q.;李,J.;柴,Z. 使用多模型Transformers学习Token对齐的表示,用于不同分辨率的变化检测。IEEE 地球科学与遥感学报,2022 年,60,3200684。[CrossRef]
宋,X.;华,Z.;李,J. PSTNet:用于遥感图像变化检测的渐进采样网络。IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2022, 15, 8442-8455. [CrossRef]
严,T.;万,Z.;张,P.用于遥感图像变化检测的全Transformer网络。在 2022 年 12 月 4 日至 8 日于中国澳门举行的亚洲计算机视觉会议论文集中,第 1691-1708 页。
李,Q.;钟,R.;杜,X.;杜,Y. TransUNetCD:一种用于光学遥感图像变化检测的混合Transformer网络。IEEE Trans. Geosci. Remote Sens. 2022, 60, 1-19. [CrossRef]
江,B.;王,Z.;王,X.;张,Z.;陈,L.;王,X.;罗,B. VcT:遥感图像变化检测的视觉变化Transformer。IEEE Trans. Geosci. Remote Sens. 2023, 61, 3327139. [CrossRef]
燕,T.;万,Z.;张,P.;程,G.;卢,H. TransY-Net:学习遥感图像变化检测的全Transformer网络。IEEE Trans. Geosci. Remote Sens. 2023, 61, 3327253. [CrossRef]
王,杨;洪,丹;沙,杰;高,亮;刘,亮;张,洋;荣,晓。用于高光谱图像变化检测的光谱-空间-时间Transformers。IEEE 地球科学与遥感学报,2022 年,60,3203075。[交叉引用]
李,王;薛,李;王,李。ConvTransNet:一种用于多尺度全局-局部表示的变化检测的 CNN-Transformer网络。IEEE Trans. Geosci. Remote Sens. 2023, 61, 3272694. [CrossRef]
薛,雷,杨,吕,刘,金,南迪,A.K. 通过联合多频率和全尺度 Swin-Transformer实现遥感图像的三重变化检测网络。IEEE 地球科学与遥感传感器交易,2023 年,61,4408415。[交叉引用]
Bandara, W.G.C.; Patel, V.M. 基于Transformer的连体网络用于变化检测。在 2022 年 IEEE 国际地球科学与遥感研讨会(IGARSS)会议论文集中,马来西亚吉隆坡,2022 年 7 月 17 日至 22 日;第 207-210 页。
歌曲,F.;张,S.;雷,T.;歌曲,Y.;彭,Z. MSTDSNet-CD:用于快速增长城市地区变化检测的多尺度 Swin 和深度监督网络。IEEE 地球科学与遥感通信快报,2022 年,19,3165885。[交叉引用]
毛,Z.;童,X.;罗,Z.;张,H. MFATNet:通过Transformer实现遥感图像变化检测的多尺度特征聚合。遥感。2022 年,14,5379。[CrossRef]
Goodfellow, I.; Pouget-Abadie, J.; Mirza, M.; Xu, B.; Warde-Farley, D.; Ozair, S.; Courville, A.; Bengio, Y. 生成对抗网络. Commun. ACM 2020, 63, 139-144. [CrossRef]
姜,F.;龚,M.;詹,T.;范,X.一种基于半监督 GAN 的多光谱图像多变检测框架。IEEE 地球科学与遥感通信快报。2020 年,17,1223-1227。[CrossRef]
基于半监督分割和对抗学习的高分辨率遥感图像变化检测。 在 2022 年 IGARSS IEEE 国际地球科学与遥感研讨会论文集中,马来西亚吉隆坡,2022 年 7 月 17 日至 22 日;第 1055-1058 页。
彭,D.;布鲁佐内,L.;张,Y.;关,H.;丁,H.;黄,X. SemiCDNet:一种用于高分辨率遥感图像变化检测的半监督卷积神经网络。IEEE Trans. Geosci. Remote Sens. 2021, 59, 5891-5906. [CrossRef]
Sohn, K.; Berthelot, D.; Carlini, N.; Zhang, Z.; Zhang, H.; Raffel, C.A.; Cubuk, E.D.; Kurakin, A.; Li, C.-L. Fixmatch: 用一致性和置信度简化半监督学习。Adv. Neural Inf. Process Syst. 2020, 33, 596-608.
王,李;张,明;石,伟。STCRNet:一种基于自训练和一致性正则化的半监督网络,用于高分辨率遥感图像的变化检测。IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 2272-2282. [CrossRef]
杨,L.;卓,W.;齐,L.;石,Y.;高,Y. St++:使自训练在半监督语义分割中发挥更好的作用。在 2022 年 6 月 18 日至 24 日于美国路易斯安那州新奥尔良举行的 IEEE/CVF 计算机视觉与模式识别会议论文集中;第 4268-4277 页。
王,J.X.;李,T.;陈,S.B.;唐,J.;罗,B.;威尔逊,R.C. 可靠的对比学习用于遥感图像的半监督变化检测。IEEE Trans. Geosci. Remote Sens. 2022, 60, 3228016. [CrossRef]
Sun, C.; Wu, J.; Chen, H.; Du, C. SemiSANet: 一种使用具有图注意力的孪生网络的半监督高分辨率遥感图像变化检测模型。Remote Sens. 2022, 14, 2801. [CrossRef]
陈,张,张,马,雷。深入研究伪标签:半监督语义分割的低成本方法。IEEE Access 2020 年,8,41830-41837。[CrossRef]
朱,Y.;张,Z.;吴,C.;张,Z.;何,T.;张,H.;Manmatha,R.;李,M.;Smola,A.J. 通过高效自我训练改进语义分割。IEEE Trans. Pattern Anal. Mach. Intell. 2021, 46, 1589-1602. [CrossRef] [PubMed]
他,R.;杨,J.;齐,X. 重新分配偏倚的伪标签用于半监督语义分割:一个基线调查。在 IEEE/CVF 国际计算机视觉会议论文集中,加拿大蒙特利尔,2021 年 10 月 11 日至 17 日;第 6930-6940 页。
袁,J.;刘,Y.;沈,C.;王,Z.;李,H.。一种简单的半监督语义分割基线模型,采用强数据增强。在 2021 年 10 月 11 日至 17 日加拿大蒙特利尔举行的 IEEE/CVF 国际计算机视觉会议论文集中,第 8229-8238 页。
太阳,C.;陈,H.;杜,C.;景,N. SemiBuildingChange:一种半监督的高分辨率遥感图像建筑变化检测方法,带有伪双时序数据生成器。IEEE Trans. Geosci. Remote Sens. 2023, 61, 5622319. [CrossRef]
张,X.;黄,X.;李,J.联合自训练和重新平衡一致性学习用于半监督变化检测。IEEE Trans. Geosci. Remote Sens. 2023, 61, 3314452. [CrossRef]
Bandara, W.G.C.; Patel, V.M. 重温一致性正则化在遥感图像半监督变化检测中的应用。arXiv 2022, arXiv:2204.08454.
Ouali,Y.;Hudelot,C.;Tami,M.半监督语义分割与交叉一致性训练。在 2020 年 6 月 13 日至 19 日美国华盛顿州西雅图举行的 IEEE/CVF 计算机视觉与模式识别会议论文集中,第 12674-12684 页。
舒,Q.;潘,J.;张,Z.;王,M. MTCNet:基于单一时间监督的多任务一致性网络用于半监督建筑变化检测。Int. J. Appl. Earth Obs. Geoinf. 2022, 115, 103110. [CrossRef]
陈,X.;袁,Y.;曾,G.;王,J. 基于交叉伪监督的半监督语义分割。在 2021 年 10 月 11 日至 17 日加拿大蒙特利尔举行的 IEEE/CVF 计算机视觉与模式识别会议论文集中,第 2613-2622 页。
杨,李;齐,李;冯,李;张,王;石,杨。重新审视半监督语义分割中的弱到强一致性。在 2023 年 6 月 18 日至 22 日加拿大温哥华举行的 IEEE/CVF 计算机视觉与模式识别会议论文集中,第 7236-7246 页。
沈,W.;彭,Z.;王,X.;王,H.;岑,J.;江,D.;谢,L.;杨,X.;田,Q.关于标签高效的深度图像分割的调查:弱监督和密集预测之间的桥梁。IEEE Trans. Pattern Anal. Mach. Intell. 2023, 45, 9284-9305. [CrossRef]
周,B.;科斯拉,A.;拉佩德里萨,A.;奥利瓦,A.;托拉尔巴,A.。学习用于区分定位的深度特征。在计算机视觉和模式识别(CVPR)IEEE 会议论文集中,2016 年 6 月 26 日至 7 月 1 日,美国拉斯维加斯。
Selvaraju, R.R.; Cogswell, M.; Das, A.; Vedantam, R.; Parikh, D.; Batra, D. Grad-Cam: 基于梯度的定位从深度网络中获得的视觉解释. 在 2017 年 10 月 22 日至 29 日意大利威尼斯举行的 IEEE 国际计算机视觉会议论文集中,第 618-626 页。
Chattopadhay, A.; Sarkar, A.; Howlader, P.; Balasubramanian, V.N. Grad-Cam++:深度卷积网络的广义基于梯度的视觉解释。 2018 年 IEEE 冬季计算机视觉应用会议论文集(WACV),美国内华达州塔霍湖,2018 年 3 月 12 日至 15 日;第 839-847 页。
王,H.;王,Z.;杜,M.;杨,F.;张,Z.;丁,S.;马德齐尔,P.;胡,X. Score-CAM:卷积神经网络的分数加权视觉解释。 在 2020 年 6 月 13 日至 19 日美国华盛顿州西雅图举行的 IEEE/CVF 计算机视觉和模式识别研讨会论文集中,第 24-25 页。
江,P.-T.;张,C.-B.;侯,Q.;程,M.-M.;魏,Y. Layercam:探索用于定位的分层类激活图。IEEE 图像处理期刊,2021 年,30,5875-5888。[CrossRef]
穆罕默德,M.B.;叶辛,M. Eigen-Cam:使用主成分的类激活图。在 2020 年国际神经网络联合会议(IJCNN)论文集中,于 2020 年 7 月 19 日至 24 日在英国格拉斯哥举行;第 1-7 页。
Wold,S.;Esbensen,K.;Geladi,P. 主成分分析。Chemom. Intell. Lab. Syst. 1987,2,37-52。[CrossRef]
MacQueen, J. 多元观测分类和分析的一些方法. 在第五届伯克利数理统计与概率学研讨会论文集中,于 1967 年 6 月 21 日至 7 月 18 日在美国加利福尼亚州伯克利举行;第 1 卷,第 281-297 页。
Lafferty, J.; McCallum, A.; Pereira, F.C.N. 条件随机场:用于分割和标记序列数据的概率模型。在第十八届国际机器学习会议上的论文集中,美国马萨诸塞州威廉斯敦,2001 年 6 月 28 日至 7 月 1 日;第 282-289 页。
Kalita,I.;Karatsiolis,S.;Kamilaris,A. 使用深度孪生神经网络和弱监督学习进行土地利用变化检测。 在《计算机图像和模式分析论文集:第 19 届国际会议,CAIP 2021,虚拟活动,2021 年 9 月 28 日至 30 日;第 24-35 页。
姜,X.;唐,H. 密集高分辨率连体网络用于弱监督变化检测。在 2019 年第六届国际系统与信息学会议(ICSAI)论文集中,中国上海,2019 年 11 月 2 日至 4 日;第 547-552 页。
安德马特,P.;蒂莫夫特,R. 一种弱监督的卷积网络用于变化分割和分类。在 2020 年 11 月 30 日至 12 月 4 日日本京都举行的亚洲计算机视觉会议上发表。
魏,Y.;肖,H.;史,H.;杰,Z.;冯,J.;黄,T.S. 重新审视扩张卷积:一种用于弱监督和半监督语义分割的简单方法。 在 2018 年 6 月 18 日至 23 日美国犹他州盐湖城举行的 IEEE 计算机视觉和模式识别会议论文集中,第 7268-7277 页。
张,F.;顾,C.;张,C.;戴,Y. 弱监督语义分割的补充补丁。在 IEEE/CVF 国际计算机视觉会议论文集中,加拿大蒙特利尔,2021 年 10 月 11 日至 17 日;第 7242-7251 页。
安,J.;曹,S.;郭,S.。基于像素间关系的弱监督实例分割学习。在计算机视觉和模式识别 IEEE 会议论文集中,长滩,加利福尼亚州,美国,2019 年 6 月 15 日至 20 日;第 2204-2213 页。[交叉引用]
李,J.;金,E.;莫克,J.;尹,S. 用于弱监督语义分割和物体定位的抗对抗操纵归因。IEEE Trans. Pattern Anal. Mach. Intell. 2022, 46, 1618-1634. [CrossRef]
张,X.;彭,Z.;朱,P.;张,T.;李,C.;周,H.;焦,L.。自适应亲和力损失和错误伪标签细化用于弱监督语义分割。计算机协会:美国纽约,2021 年,卷 1,ISBN 978-1-45038-651-7。
Ahn, J.; Kwak, S.通过图像级监督学习像素级语义关联,用于弱监督语义分割。在 2018 年 6 月 18 日至 23 日于美国犹他州盐湖城举行的 IEEE 计算机视觉与模式识别会议论文集中,第 4981-4990 页。[CrossRef]
Ru, L.; Zhan, Y.; Yu, B.; Du, B. 从注意力中学习相似性: 基于端到端的弱监督语义分割与Transformers. 在 2022 年 6 月 18 日至 24 日于美国路易斯安那州新奥尔良举行的 IEEE/CVF 计算机视觉与模式识别会议论文集中,第 16846-16855 页。
黄,R.;王,R.;郭,Q.;魏,J.;张,Y.;范,W.;刘,Y.。背景混合增强用于弱监督变化检测。在人工智能 AAAI 会议论文集中,华盛顿特区,美国,2023 年 2 月 7 日至 14 日;第 37 卷,第 7919-7927 页。
赵,W.;尚,C.;陆,H. 通过双对抗鉴别器实现自动生成的焦外模糊检测。在 2021 年 10 月 11 日至 17 日加拿大蒙特利尔举行的 IEEE/CVF 计算机视觉与模式识别会议上发表。页码 6933-6942。
吴,C.;杜,B.;张,L. 无监督、弱监督和区域监督变化检测的全卷积变化检测框架与生成对抗网络。IEEE Trans. Pattern Anal. Mach. Intell. 2023, 45, 9774-9788. [CrossRef] [PubMed]
张,M.;石,W.;陈,S.;詹,Z.;石,Z. 滑坡映射的深度多实例学习。IEEE 地球科学与遥感通信快报。2021 年,18,1711-1715。[CrossRef]
Lv, N.; Chen, C.; Qiu, T.; Sangaiah, A.K. 基于收缩自编码器的深度学习和超像素特征提取用于 SAR 图像的变化检测。IEEE Trans. Ind. Inform. 2018, 14, 5530-5538. [CrossRef]
Kosiorek, A.; Sabour, S.; Teh, Y.W.; Hinton, G.E. 堆叠胶囊自编码器。Adv. Neural Inf. Process Syst. 2019, 32, 15486-15496.
Luppino, L.T.; Hansen, M.A.; Kampffmeyer, M.; Bianchi, F.M.; Moser, G.; Jenssen, R.; Anfinsen, S.N. 用于多模态遥感图像无监督变化检测的编码对齐自编码器。IEEE Trans. Neural Netw. Learn. Syst. 2022, 35, 60-72. [CrossRef] [PubMed]
Bergamasco, L.; Saha, S.; Bovolo, F.; Bruzzone, L. 基于卷积自编码器特征提取的无监督变化检测。在《遥感图像和信号处理第 25 卷》会议论文集中,法国斯特拉斯堡,2019 年 9 月 9 日至 11 日;第 11155 卷,第 325-332 页。
堆叠卷积自编码器用于分层特征提取。 在 2011 年人工神经网络和机器学习国际会议论文集中:芬兰埃斯波,2011 年 6 月 14 日至 17 日;第 52-59 页。
Saha, S.; Bovolo, F.; Bruzzone, L. 高分辨率图像中多变化检测的无监督深度变化向量分析。IEEE Trans. Geosci. Remote Sens. 2019, 57, 3677-3693. [CrossRef]
吴,陈,杜,张。基于深度核 PCA 卷积映射网络的多时相 VHR 图像无监督变化检测。IEEE Trans. Cybern. 2021, 52, 12084-12098. [CrossRef] [PubMed]
Schölkopf, B.; Smola, A.; Müller, K.-R. 非线性成分分析作为一个核特征值问题。神经计算。1998 年,10,1299-1319。[CrossRef]
杜,B.;茹,L.;吴,C.;张,L.无监督深度慢特征分析用于多时相遥感图像的变化检测。IEEE Trans. Geosci. Remote Sens. 2019, 57, 9976-9992. [CrossRef]
龚,M.;杨,H.;张,P.基于深度学习的特征学习和变化特征分类用于 SAR 图像的三值变化检测。ISPRS J. Photogramm. Remote Sens. 2017, 129, 212-225. [CrossRef]
张,H.;龚,M.;张,P.;苏,L.;石,J. 使用深度表示和特征变化分析进行多光谱图像的特征级变化检测。IEEE 地球科学与遥感通信快报。2016 年,13,1666-1670。[CrossRef]
龚,M.;牛,X.;张,P.;李,Z.用于多光谱图像变化检测的生成对抗网络。IEEE 地球科学与遥感通信快报。2017 年,14,2310-2314。[CrossRef]
Nielsen, A.A. 2007 年,《多光谱和高光谱数据中的变化检测的正则化迭代加权 MAD 方法》。IEEE 图像处理期刊,16,463-478。[CrossRef] [PubMed]
龚,M.;杨,Y.;詹,T.;牛,X.;李,S. 用于多光谱图像变化检测的生成性辨别分类网络。IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2019, 12, 321-333. [CrossRef]
刘,Y.-H.;Van Nieuwenburg,E.P.L. 用于检测相变的判别式合作网络。Phys. Rev. Lett. 2018, 120, 176401. [CrossRef] [PubMed]
Noh, H.; Ju, J.; Seo, M.; Park, J.; Choi, D.-G. 基于图像重建损失的无监督变化检测。在 2022 年 6 月 18 日至 24 日于美国路易斯安那州新奥尔良举行的 IEEE/CVF 计算机视觉与模式识别会议上发表。页码 1352-1361。
张,J.;邵,Z.;丁,Q.;黄,X.;王,Y.;周,X.;李,D. AERNet:一种用于遥感建筑变化检测的注意力引导边缘细化网络和数据集。IEEE Trans. Geosci. Remote Sens. 2023, 61, 3300533. [CrossRef]
张,X.;于,W.;潘,M.-O.;石,W. 使用原型引导的领域感知渐进表示学习从大规模遥感图像中进行跨领域滑坡制图。ISPRS J. Photogramm. Remote Sens. 2023, 197, 1-17. [CrossRef]
Holail, S.; Saleh, T.; Xiao, X.; Li, D. AFDE-Net: 使用基于注意力的特征差异增强技术进行卫星图像的建筑变化检测。IEEE 地球科学与遥感通信快报。2023 年,20,3283505。[CrossRef]
廖,C.;胡,H.;袁,X.;李,H.;刘,C.;刘,C.;付,G.;丁,Y.;朱,Q. BCE-Net:基于历史地图和最新图像的可靠建筑物轮廓变化提取,使用对比学习。ISPRS J. Photogramm. Remote Sens. 2023, 201, 138-152. [CrossRef]
庞,C.;吴,J.;丁,J.;宋,C.;夏,G.-S. 利用斜视航空影像检测建筑变化。中国科学信息科学。2023 年,66 卷,140306 页。[交叉引用]
Toker, A.; Kondmann, L.; Weber, M.; Eisenberger, M.; Camero, A.; Hu, J.; Hoderlein, A.P.; Şenaras, Ç.; Davis, T.; Cremers, D. DynamicEarthNet: 每日多光谱卫星数据集用于语义变化分割。 在 2022 年 6 月 18 日至 24 日于美国路易斯安那州新奥尔良举行的 IEEE/CVF 计算机视觉与模式识别会议(CVPR)论文集中,第 21158-21167 页。
刘,M.;柴,Z.;邓,H.;刘,R. 一种具有多尺度上下文聚合的 CNN-Transformer网络用于细粒度农田变化检测。IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2022, 15, 4297-4306. [CrossRef]
沈,陆,陈,魏,谢,岳,陈,吕,江。S2Looking:用于建筑变化检测的卫星侧视数据集。遥感 2021 年,13 卷,5094 页。[交叉引用]
Caye Daudt, R.; Le Saux, B.; Boulch, A.; Gousseau, Y. 大规模语义变化检测的多任务学习。计算机视觉与图像理解,2019 年,187,102783。[交叉引用]
吉,S.;魏,S.;陆,M. 用于从开放的航空和卫星图像数据集中提取多源建筑物的全卷积网络。IEEE 地球科学与遥感学报,2018 年,57,574-586。[交叉引用]
Lebedev, M.A.; Vizilter, Y.V.; Vygolov, O.V.; Knyaz, V.A.; Rubis, A.Y. 使用条件对抗网络进行遥感图像变化检测。Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2018, 42, 565-571. [CrossRef]
Benedek, C.; Sziranyi, T. 通过多层条件混合马尔可夫模型在光学航空影像中进行变化检测。IEEE Trans. Geosci. Remote Sens. 2009, 47, 3416-3430. [CrossRef]
洛佩斯-方迪尼奥,J.;加雷亚,A.S.;埃拉斯,D.B.;阿尔盖略,F. 堆叠自编码器用于高光谱图像的多类别变化检测。在 2018 年国际地球科学与遥感研讨会 IGARSS 的论文集中,西班牙瓦伦西亚,2018 年 7 月 22 日至 27 日;第 1906-1909 页。
王,钱;元,朱;杜,秦;李,夏。GETNET:一种用于高光谱图像变化检测的通用端到端 2D CNN 框架。IEEE 地球科学与遥感学报,2019 年,57,3-13。[交叉引用]
吴,C.;张,L.;杜,B. 场景变化检测的核慢特征分析。IEEE 地球科学与遥感学报,2017 年,55,2367-2384。[交叉引用]
Daudt, R.C.; Le Saux, B.; Boulch, A.; Gousseau, Y. 使用卷积神经网络进行多光谱地球观测的城市变化检测。在 2018 年 IGARSS IEEE 国际地球科学与遥感研讨会论文集中,西班牙瓦伦西亚,2018 年 7 月 22 日至 27 日;页码。 2115-2118.
Fuentes Reyes, M.; Xie, Y.; Yuan, X.; d'Angelo, P.; Kurz, F.; Cerra, D.; Tian, J. 一种应用于城市语义分割、建筑物提取和变化检测的二维/三维多模态数据模拟方法。ISPRS J. Photogramm. Remote Sens. 2023, 205, 74-97. [CrossRef]
刘,C.;赵,R.;陈,H.;邹,Z.;石,Z.。双分支Transformers的遥感图像变化字幕生成:一种新方法和大规模数据集。IEEE 地球科学与遥感学报,2022 年,60,3218921。[CrossRef]
李,H.;朱,F.;郑,X.;刘,M.;陈,G. MSCDUNet:一种集成多光谱、SAR 和 VHR 数据的深度学习框架用于建筑物变化检测。IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2022, 15, 5163-5176. [CrossRef]
王,李;张,明;石,伟。CS-WSCDNet:基于类激活映射和任意分割模型的弱监督变化检测框架。IEEE 地球科学与遥感学报,2023 年,61 卷,3330479。[交叉引用]
他,K.;范,H.;吴,Y.;谢,S.;Girshick,R. 动量对比用于无监督视觉表示学习。在计算机视觉和模式识别 IEEE/CVF 会议论文集中的论文,美国华盛顿州西雅图,2020 年 6 月 13 日至 19 日;第 9729-9738 页。
烤架,J.-B.;斯特鲁布,F.;阿尔切,F.;塔勒克,C.;里什蒙德,P.;布查茨卡亚,E.;多尔施,C.;阿维拉·皮雷斯,B.;郭,Z.;盖什拉吉·阿扎尔,M.;等。自助学习的新方法:自举您自己的潜在特征。Adv. Neural Inf. Process Syst. 2020, 33, 21271-21284.
Caron, M.; Misra, I.; Mairal, J.; Goyal, P.; Bojanowski, P.; Joulin, A. 通过对比聚类分配进行无监督学习的视觉特征。Adv. Neural Inf. Process Syst. 2020, 33, 9912-9924.
陈,T.;科恩布利斯,S.;诺鲁兹,M.;辛顿,G.视觉表示对比学习的简单框架。在机器学习国际会议论文集中,虚拟会议,2020 年 7 月 13 日至 18 日;第 1597-1607 页。
他,K.;陈,X.;谢,S.;李,Y.;Dollár,P.;Girshick,R. 掩蔽自编码器是可扩展的视觉学习者。在 2022 年 6 月 18 日至 24 日美国路易斯安那州新奥尔良市举行的 IEEE/CVF 计算机视觉与模式识别会议论文集中,第 16000-16009 页。
张,H.;李,F.;刘,S.;张,L.;苏,H.;朱,J.;倪,L.M.;沈,H.-Y. Dino:改进去噪锚框的端到端目标检测的 Detr。arXiv 2022,arXiv:2203.03605。
Akiva, P.; Purri, M.; Leotta, M.自我监督的遥感任务材料和纹理表示学习。在 2022 年 6 月 18 日至 24 日美国路易斯安那州新奥尔良举行的 IEEE/CVF 计算机视觉与模式识别会议论文集中,第 8203-8215 页。
Manas, O.; Lacoste, A.; Giró-i-Nieto, X.; Vazquez, D.; Rodriguez, P. 季节对比:来自未经筛选的遥感数据的无监督预训练。在 IEEE/CVF 国际计算机视觉会议论文集中,加拿大蒙特利尔,2021 年 10 月 11 日至 17 日;页码。 9414-9423.
陈,Y.;布鲁佐内,L.一种自监督的方法用于双时相遥感图像的像素级变化检测。IEEE 地球科学与遥感学报,2022 年,60,3203897。[交叉引用]
Leenstra, M.; Marcos, D.; Bovolo, F.; Tuia, D. 自我监督预训练增强了 Sentinel-2 图像的变化检测。在模式识别 ICPR 国际研讨会和挑战的论文集中,虚拟活动,2021 年 1 月 10 日至 15 日;第 578-590 页。
江,F.;龚,M.;郑,H.;刘,T.;张,M.;刘,J.自我监督的全局-局部对比学习用于高分辨率遥感图像的细粒度变化检测。IEEE 地球科学与遥感学报,2023 年,61,3238327。[交叉引用]
陈,H.;李,W.;陈,S.;石,Z. 语义感知密集表示学习用于遥感图像变化检测。IEEE 地球科学与遥感学报,2022 年,60,3203769。[CrossRef]
Saha, S.; Ebel, P.; Zhu, X.X.自我监督的多传感器变化检测。IEEE Trans. Geosci. Remote Sens. 2022, 60, 3109957. [CrossRef]
陈,Y.;布鲁佐尼,L. 多视角遥感图像的自监督变化检测。IEEE 地球科学与遥感学报,2022 年,60,3089453。[交叉引用]
张,杨;赵,杨;董,杨;杜,贝。通过Transformer的多模态图像进行自我监督预训练,用于变化检测。IEEE 地球科学与遥感学报,2023 年,61 卷,3271024 页。[交叉引用]
Bommasani, R.; Hudson, D.A.; Adeli, E.; Altman, R.; Arora, S.; von Arx, S.; Bernstein, M.S.; Bohg, J.; Bosselut, A.; Brunskill, E.; et al. 关于基础模型的机遇和风险。arXiv 2021, arXiv:2108.07258.
布朗,T.;曼恩,B.;赖德,N.;苏比亚,M.;卡普兰,J.D.;达里瓦尔,P.;尼拉坎坦,A.;夏姆,P.;萨斯特里,G.;阿斯克尔,A.;等。语言模型是少样本学习者。Adv. Neural Inf. Process Syst. 2020, 33, 1877-1901.
Chowdhery, A.; Narang, S.; Devlin, J.; Bosma, M.; Mishra, G.; Roberts, A.; Barham, P.; Chung, H.W.; Sutton, C.; Gehrmann, S.; et al. Palm: 使用路径扩展语言建模的规模化方法。arXiv 2022, arXiv:2204.02311.
Raffel, C.; Shazeer, N.; Roberts, A.; Lee, K.; Narang, S.; Matena, M.; Zhou, Y.; Li, W.; Liu, P.J. 通过统一的文本到文本模型探索迁移学习的极限。机器学习研究杂志,2020 年,21 卷,5485-5551 页。
Touvron, H.; Lavril, T.; Izacard, G.; Martinet, X.; Lachaux, M.-A.; Lacroix, T.; Rozière, B.; Goyal, N.; Hambro, E.; Azhar, F.; 等。Llama: 开放高效的基础语言模型。arXiv 2023, arXiv:2302.13971.
Sun, Y.; Wang, S.; Li, Y.; Feng, S.; Chen, X.; Zhang, H.; Tian, X.; Zhu, D.; Tian, H.; Wu, H. Ernie: 基于知识融合的增强表示. arXiv 2019, arXiv:1904.09223.
从自然语言监督中学习可迁移的视觉模型。 2021 年 7 月 18 日至 24 日虚拟机器学习国际会议论文集,第 8748-8763 页。
贾,C.;杨,Y.;夏,Y.;陈,Y.-T.;帕雷克,Z.;范,H.;乐,Q.;宋,Y.-H.;李,Z.;杜里格,T. 通过嘈杂的文本监督扩展视觉和视觉语言表示学习的规模。 2021 年 7 月 18 日至 24 日虚拟机器学习国际会议论文集,第 4904-4916 页。
袁,L.;陈,D.;陈,Y.-L.;科代拉,N.;戴,X.;高,J.;胡,H.;黄,X.;李,B.;李,C.;等。弗洛伦萨:计算机视觉的新基础模型。arXiv 2021,arXiv:2111.11432。
Regionclip:基于区域的语言-图像预训练。 2022 年 6 月 18 日至 24 日,美国路易斯安那州新奥尔良举行的 IEEE/CVF 计算机视觉与模式识别会议论文集,第 16793-16803 页。
方,H.;熊,P.;徐,L.;陈,Y. Clip2video:通过图像剪辑掌握视频文本检索。arXiv 2021,arXiv:2106.11097。
沈,S.;李,L.H.;谭,H.;班萨尔,M.;罗尔巴赫,A.;张,K.-W.;姚,Z.;克伊策,K. Clip 能在视觉和语言任务中带来多大的好处?arXiv 2021,arXiv:2107.06383。
Ramesh, A.; Dhariwal, P.; Nichol, A.; Chu, C.; Chen, M. 使用 Clip 潜变量的分层文本条件图像生成。arXiv 2022, arXiv:2204.06125.
Cha, K.; Seo, J.; Lee, T. 遥感图像的十亿级基础模型。arXiv 2023, arXiv:2304.05215.
刘,F.;陈,D.;关,Z.;周,X.;朱,J.;周,J. RemoteCLIP:一种用于遥感的视觉语言基础模型。arXiv 2023,arXiv:2306.11029。
张,J.;周,Z.;麦,G.;穆,L.;胡,M.;李,S. Text2Seg:通过文本引导的视觉基础模型进行遥感图像语义分割。arXiv 2023,arXiv:2304.10597。
温,C.;胡,Y.;李,X.;袁,Z.;朱,X.X. 遥感中的视觉语言模型:当前进展与未来趋势。arXiv 2023,arXiv:2305.05726。
Lüddecke, T.; Ecker, A. 使用文本和图像提示进行图像分割。在 2022 年 6 月 18 日至 24 日于美国路易斯安那州新奥尔良举行的 IEEE/CVF 计算机视觉与模式识别会议论文集中,第 7086-7096 页。
王,X;张,X;曹,Y;王,W;沈,C;黄,T。Seggpt:在上下文中分割一切。arXiv 2023,arXiv:2304.03284。
基里洛夫,A.;明顿,E.;拉维,N.;毛,H.;罗兰,C.;古斯塔夫森,L.;肖,T.;怀特海德,S.;伯格,A.C.;罗,W.-Y.;等。分割任何东西。arXiv 2023,arXiv:2304.02643。
走,X;杨,J;张,H;李,F;李,L;高,J;李,Y.J。一次性地将所有部分分割开来。arXiv 2023,arXiv:2304.06718。
陈,刘,陈,张,李,邹,石。Rsprompter:基于视觉基础模型学习遥感实例分割提示。arXiv 2023,arXiv:2306.16269。[CrossRef]
Osco, L.P.; Wu, Q.; de Lemos, E.L.; Gonçalves, W.N.; Ramos, A.P.M.; Li, J.; Junior, J.M.《遥感应用中的分段任意模型(Sam):从零到一次拍摄》。《国际应用地球观测与地理信息学杂志》2023 年,124 卷,103540 页。[CrossRef]
吉,W.;李,J.;毕,Q.;李,W.;程,L. 分割任何东西并不总是完美的:对 Sam 在不同实际应用中的调查。arXiv 2023,arXiv:2304.05750。
王,D.;张,J.;杜,B.;徐,M.;刘,L.;陶,D.;张,L. SAMRS:使用 Segment Anything 模型扩大遥感分割数据集的规模。 2023 年 12 月 10 日至 16 日,美国路易斯安那州新奥尔良举行的第三十七届神经信息处理系统会议数据集和基准赛道论文集。
丁,李;朱,凯;彭,迪;唐,华;郭,辉。将分段任意模型应用于高分辨率遥感图像的变化检测。arXiv 2023,arXiv:2309.01429。
赵,X.;丁,W.;安,Y.;杜,Y.;于,T.;李,M.;唐,M.;王,J. 快速分割任何东西。arXiv 2023,arXiv:2306.12156。
陈,H.;横谷,N.;奇尼,M. 无监督多模态变化检测的傅里叶域结构关系分析。ISPRS J. Photogramm. Remote Sens. 2023, 198, 99-114. [CrossRef]
好,F.;马,Z.-F.;田,H.-P.;王,H.;吴,D.半监督标签传播用于多源遥感图像变化检测。计算地球科学。2023 年,170,105249。[交叉引用]
陈,H.;横谷,N.;吴,C.;杜,B.基于结构关系图表示学习的无监督多模态变化检测。IEEE 地球科学与遥感学报,2022 年,60,3229027。[CrossRef]
金,H.;Mountrakis,G. 光学、雷达和波形 LiDAR 观测数据的融合用于土地覆盖分类。ISPRS J. Photogramm. Remote Sens. 2022, 187, 171-190. [CrossRef]
李,X.;杜,Z.;黄,Y.;谭,Z.一种基于深度翻译(GAN)的光学和 SAR 遥感图像变化检测网络。ISPRS J. Photogramm. Remote Sens. 2021, 179, 14-34. [CrossRef]
张,C.;冯,Y.;胡,L.;Tapete,D.;潘,L.;梁,Z.;Cigna,F.;岳,P.一种用于异构光学和 SAR 遥感图像变化检测的领域自适应神经网络。Int. J. Appl. Earth Obs. Geoinf. 2022, 109, 102769. [CrossRef]