.png){kind=icon}
返回
Cross-Cycle Structured Graph Autoencoder for Unsupervised Cross-Sensor Image Change Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TAES.2026.3657315.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督跨传感器变化检测（CSCD）是遥感领域一项重要但具有挑战性的任务，这主要归因于异构图像间的显著领域偏移以及精确建模语义变化的困难。现有方法通常依赖图像翻译或不变特征提取，其中变化被间接推断为重建残差。这些方法往往因脆弱的领域自适应映射以及变换误差与真实变化的纠缠而影响最终检测性能。为解决这些问题，本文提出了一种交叉循环结构化图自编码器（CC-SGAE）框架。我们的模型采用双向、循环一致性的图自编码器架构，以明确将CSCD任务与复杂的领域变换解耦。关键在于，它引入了可学习的结构差异图，用于直接表示隐空间中的语义变化，且独立于特定模态的特征。整个框架由一个综合的多组件损失函数引导，该函数强制执行关键先验条件，包括循环一致性、结构正则化、变化稀疏性、双向变化对齐和空间平滑性。这种显式建模策略抑制了异构差异的干扰，并保持了检测结果的结构完整性。在五个基准跨传感器数据集上的大量实验表明，所提出的CC-SGAE优于现有最先进方法，证实了其在无监督CSCD中的有效性和高应用潜力。
Keyword:
Cross-sensor change detection (CSCD)
cycle-consistency
graph autoencoder
unsupervised learning
期刊
IF:
5.7
论文数:
803
被引数:
2.4W
机构
引用论文
Cross-Domain Land Cover Classification of Remote Sensing Images Based on Full-Level Domain Adaptation基于全层次域适应的遥感图像跨域土地覆盖分类
OAAI
OAAI分享收藏Liu, T.; Zhang, M.; Gong, M.; Zhang, Q.; Jiang, F.; Zheng, H.; Lu, D. Commonality feature representation learning for unsupervised multimodal change detection. IEEE Trans. Image Process. 2025, 34, 1219–1233. [Google Scholar] [CrossRef]刘, T.; 张, M.; 龚, M.; 张, Q.; 江, F.; 郑, H.; 陆, D. 无监督多模态变化检测的共性特征表示学习. IEEE Trans. Image Process. 2025, 34, 1219–1233. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏A deep translation (GAN) based change detection network for optical and SAR remote sensing imagesOAAI
OAAI分享收藏Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译
OAAI
OAAI分享收藏
查看更多内容