.png){kind=icon}
返回
Cross-View Change Detection via Self-Supervised Learning
.png){kind=icon}
OA
AI
DOI：10.1109/jstars.2026.3715872.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文针对利用卫星图像和自主航空器影像进行交叉视图异构变化检测的问题展开研究，该问题具有视角差异严重、尺度变化、传感模态差异以及缺乏可靠标签等特征。为克服这些挑战，我们提出了一种自监督对比与预测学习框架，该框架直接从未标记的交叉视图图像对中学习判别性表示。该框架联合利用块级和像素级目标，以捕捉视图间的细粒度局部变化和高层次语义一致性。此外，引入基于CutMix的数据增强策略以提高表示多样性。我们进一步通过交叉注意力与通道注意力机制增强Swin Transformer，以促进有效的多尺度与跨模态特征交互。在交叉视图和双时相变化检测数据集上的实验结果表明，所提方法在不依赖精确几何配准或人工标注的情况下，仍能实现稳健且具有竞争力的性能，凸显了其在涉及异构和快速获取数据的实际地球观测应用中的实用价值。
Keyword:
Channel attention
contrastive learning
cross-attention (CA)
cross-view imagery
heterogeneous change detection (CD)
self-supervised learning (SSL)
swin transformer
期刊
IF:
5.3
论文数:
1.8K
被引数:
3.0W
机构
引用论文
Swin transformer for feature extraction: a cross-view geo-localization method for UAV-Satellite viewsSwin transformer特征提取：一种用于UAV-卫星视图的交叉视图地理定位方法
PREAI
分享收藏Feature-Differencing-Based Self-Supervised Pre-Training for Land-Use/Land-Cover Change Detection in High-Resolution Remote Sensing Images.png)
LANDOAAI
LANDIF3.2
OAAI分享收藏GeoViewMatch: A Multi-Scale Feature-Matching Network for Cross-View Geo-Localization Using Swin-Transformer and Contrastive LearningGeoViewMatch：一种基于Swin-Transformer和对比学习的跨视图地理定位多尺度特征匹配网络OAAI
OAAI分享收藏分享收藏Object-Level Cross-View Geolocalization With Location Enhancement and Multihead Cross Attention对象级交叉视图地理定位与位置增强及多头交叉注意力OAAI
OAAI分享收藏
查看更多内容