姓名：任俊颖
学号：22011211086
学院：通信工程学院
【嵌牛导读】本文介绍了遥感图像变化检测的发展现状
【嵌牛鼻子】遥感图像 变化检测 深度学习
【嵌牛提问】遥感图像变化处理的经典方法包含哪些及优缺点？深度学习方法及待解决问题
在过去几十年中，提出了许多变化检测方法。大多数这些方法有两个步骤：单元分析和变化识别。单元分析旨在从单元的原始数据中构建信息特征。图像像素和图像对象是基本处理单元的两个主要类别。不同形式的基本处理单元共享相似的特征提取技术。光谱特征和空间特征已在变化检测文献中得到广泛研究。变化识别使用手工或学习的规则来比较基本处理单元的变化，以确定变化类别。一种简单的方法是计算特征差异图，并通过阈值处理分离变化区域。变化向量分析（CV A）结合了变化向量的大小和方向，用于分析变化类型。支持向量机（SVM）和决策树（DT）等分类器以及马尔可夫随机场模型和条件随机场模型等图形模型也已应用于变化检测。除了2D光谱图像数据外，高度信息也已被用于变化检测。由于其对照明和透视变化的不变性，3D几何信息可以提高建筑变化检测精度。3D信息还可以帮助确定高度和体积的变化，并具有广泛的应用，如滑坡中的3D变形分析、3D结构和施工监测。在这项工作中，我们主要关注2D光谱图像数据。
大多数遥感图像变化检测的早期尝试都是在手工特征和监督分类算法的帮助下设计的。蓬勃发展的深度学习技术，特别是深度卷积神经网络（CNN），它能够学习具有多个抽象层次的数据表示，已广泛应用于计算机视觉和遥感领域。如今，已经提出了许多基于深度学习的变化检测算法，并显示出比传统方法更好的性能。这些方法大致可分为两类：基于度量的方法和基于分类的方法。基于度量的方法通过比较双时态数据的参数化距离来确定变化。这些方法需要学习一个参数化的嵌入空间，其中相似（无变化）样本的嵌入向量被鼓励更接近，而不同（变化）样本被彼此推开。嵌入空间可以通过深度孪生全卷积网络（FCN）来学习，该网络包含两个共享相同权重的相同网络，每个网络独立地生成每个时间图像的特征图。使用每对点的特征之间的度量（例如L1距离）来指示是否发生了变化。对于训练过程，为了约束数据表示，在变化检测中探索了不同的损失函数，例如对比损失和三元组损失。使用三元组损失的方法比使用对比度损失的方法获得更好的结果，因为三元组损失利用了像素之间更多的空间关系。然而，现有的基于度量的方法没有利用双时态图像之间的时间相关性。基于分类的方法通过对提取的双时态数据特征进行分类来识别变化类别。一般的方法是为图像的每个位置分配变化分数，其中变化的位置具有比没有变化的位置更高的分数。CNN已被广泛用于提取图像的特征表示。Liu等人开发了两种基于FCN的方法来检测贫民窟的变化，包括后分类和多日期图像分类。第一种方法使用FCN分别对每个时间图像的土地利用进行分类，然后通过变化轨迹确定变化类型。第二种方法将双时态图像连接起来，然后使用FCN来获得变化类别。为双时态图像提取更具鉴别性的特征是重要的。Liu等人在处理每个时间图像时，利用空间和通道注意力来获得更多的辨别特征。将每个时间图像的这些单独提取的特征连接起来以识别变化。但尚未利用双时态图像之间的时间依赖性。递归神经网络（RNN）擅长处理时间序列关系，已应用于变化检测中，以建模时间相关性。Lyu等人使用RNN从双时间序列数据中学习时间特征，但尚未利用空间信息。为了利用空间-时间信息，几种方法将CNN和RNN相结合，共同从双时间图像中学习空间-时间特征。这些方法将非常小的图像块（例如，9×9的大小）输入CNN，以获得每个块的中心点的1D特征表示，然后使用RNN学习不同日期的两个点之间的关系。
