Change Detection Review
1.0.0
يعد اكتشاف التغيير استنادًا إلى بيانات الاستشعار عن بُعد (RS) وسيلة مهمة للكشف عن التغييرات على سطح الأرض ولديها مجموعة واسعة من التطبيقات في التخطيط الحضري والمراقبة البيئية والتحقيق في الزراعة وتقييم الكوارث ومراجعة الخرائط. في السنوات الأخيرة ، أصبحت تكنولوجيا الذكاء الاصطناعي المتكامل (AI) محورًا للبحث في تطوير طرق اكتشاف التغيير الجديدة. على الرغم من أن بعض الباحثين يزعمون أن مقاربات الكشف عن التغيير القائمة على الذكاء الاصطناعي تتفوق على مقاربات الكشف عن التغيير التقليدي ، فليس من الواضح على الفور كيف وإلى أي مدى يمكن لمنظمة العفو الدولية تحسين أداء الكشف عن التغيير. تركز هذه المراجعة على أحدث الأساليب والتطبيقات والتحديات من الذكاء الاصطناعي لاكتشاف التغيير. على وجه التحديد ، يتم تقديم عملية تنفيذ الكشف عن التغيير القائم على الذكاء الاصطناعي لأول مرة. بعد ذلك ، يتم تقديم البيانات من أجهزة استشعار مختلفة المستخدمة لاكتشاف التغيير ، بما في ذلك بيانات RS البصرية ، وبيانات رادار الفتحة الاصطناعية (SAR) ، وصور عرض الشارع ، والبيانات غير المتجانسة المشتركة ، كما يتم سرد مجموعات البيانات المفتوحة المتاحة. تتم مراجعة الأطر العامة لطرق الكشف عن التغيير القائمة على الذكاء الاصطناعي وتحليلها بشكل منهجي ، ويتم تحليل المخططات غير الخاضعة للإشراف المستخدمة في الكشف عن التغيير القائم على الذكاء الاصطناعي. بعد ذلك ، يتم وصف الشبكات الشائعة الاستخدام في الذكاء الاصطناعي للكشف عن التغيير. من وجهة نظر عملية ، يتم تصنيف مجالات تطبيق أساليب الكشف عن التغيير القائمة على الذكاء الاصطناعي بناءً على قابليتها للتطبيق. أخيرًا ، تتم مناقشة التحديات والتحديات الرئيسية لوكالة الذكاء الاصطناعي للكشف عن التغيير وتحديدها ، بما في ذلك (أ) معالجة البيانات الكبيرة غير المتجانسة ، (ب) الذكاء الاصطناعي غير الخاضع للإشراف ، و (ج) موثوقية الذكاء الاصطناعي. ستكون هذه المراجعة مفيدة للباحثين في فهم هذا المجال.
يوفر الشكل 2 عملية تنفيذ عامة للكشف عن التغيير القائم على الذكاء الاصطناعي ، ولكن بنية نموذج الذكاء الاصطناعى متنوعة ويجب أن تكون مصممة بشكل جيد وفقًا لمواقف التطبيق المختلفة وبيانات التدريب. تجدر الإشارة إلى أن الأطر الناضجة الحالية مثل TensorFlow و Keras و Pytorch و Caffe ، تساعد الباحثين بسهولة أكبر على تحقيق تصميم نماذج الذكاء الاصطناعى وتدريبها ونشرها ، وتوفر وثائق التطوير مقدمات تفصيلية.
| طُرق | الكلمات الرئيسية | النشر | (إعادة) التنفيذ |
|---|---|---|---|
| srcdnet | سي إن إن ؛ سيامي؛ انتباه؛ الدقة الفائقة روبية بصرية | شبكة الكشف عن التغيير الفائقة القائمة على الدقة مع وحدة انتباه مكدسة للصور ذات قرارات مختلفة ، TGRS ، 2021. [Paper] ، [Code ، DataSet] | Pytorch 1.2 |
| escnet | سي إن إن ؛ سيامي؛ Superpixel روبية بصرية | شبكة الكشف عن تغيير التغيير الفائقة من طرف إلى نهاية لصور الاستشعار عن بُعد عالية الدقة للغاية. Tnnls ، 2021. [Paper] ، [Code] | Pytorch 1.3 |
| KPCamnet | سي إن إن ؛ سيامي؛ KPCA ؛ غير خاضع للإشراف روبية بصرية | الكشف عن التغيير غير الخاضع للإشراف في صور VHR متعددة الزملة على أساس شبكة رسم الخرائط التلافيفية في Kernel PCA العميقة ، TCYB ، 2021. [Paper] ، [CODE] | بيثون |
| Seco | CNN (RESNET) ؛ نقل التعلم روبية بصرية | التباين الموسمي: التدريب غير الخاضع للإشراف من بيانات الاستشعار عن بُعد غير المحسّنة ، Arxiv ، 2021. [Paper] ، [Code ، DataSet] | Pytorch 1.7 |
| Capsnet | شبكة الكبسولة (segcaps) ؛ CVA سيامي؛ روبية بصرية | شبكة الكبسولة الزائفة-السماوية لتكتشف صور الاستشعار عن بُعد عن بُعد ، GRSL ، 2020. | كيراس |
| BIT_CD | CNN (RESNET18) ؛ سيامي؛ انتباه؛ محول؛ روبية بصرية | الكشف عن صورة الاستشعار عن بُعد مع المحولات ، TGRS ، 2021. | Pytorch 1.6 |
| IAUG_CDNET | CNN (Gaugan+unet) ؛ سيامي؛ غان تحت إشراف روبية بصرية | زيادة مثيل العدسة لبناء المباني الكشف في صور الاستشعار عن بُعد ، TGRS ، 2021. [Paper] ، [Code ، DataSet] | Pytorch |
| ddnet | سي إن إن ؛ di+fcm ؛ غير خاضع للإشراف سار | تغيير الكشف في صور رادار الفتحة الاصطناعية باستخدام شبكة مجالات مزدوجة ، GRSL ، 2021. [Paper] ، [Code ، DataSet] | Pytorch |
| Snunet-CD | CNN (NETTERUNET) ؛ سيامي؛ انتباه؛ تحت إشراف روبية بصرية | SNUNET-CD: شبكة سيامية متصلة بكثافة لاكتشاف تغيير صور VHR ، GRSL ، 2021. | Pytorch 1.4 |
| DSMSCN | سي إن إن ؛ سيامي؛ متعدد النطاق غير خاضع للإشراف/تحت الإشراف ؛ روبية بصرية | شبكة دمج صور خاضعة للإشراف بعمق لاكتشاف التغيير في صور Sening عن بعد عالية الدقة ، Arxiv ، 2020. [Paper] ، [Code ، DataSet] | Tensorflow 1.9 |
| Siamcrnn | CNN+RNN ؛ سيامي؛ متعدد المصادر روبية بصرية | تغيير التغيير في صور VHR متعددة الأجزاء عبر الشبكة العصبية المتكررة من SIAMES Siamese العميقة ، TGRS ، 2020. [Paper] ، [Code ، DataSet] | Tensorflow 1.9 |
| DSifn | سي إن إن ؛ آلية الانتباه روبية بصرية | شبكة دمج صور خاضعة للإشراف بعمق لاكتشاف التغيير في صور Sending عالية الدقة ، ISPRS ، 2020. [Paper] ، [Code ، DataSet] | Pytorch و Keras |
| CEECNET | سي إن إن ؛ آلية الانتباه قياس التشابه روبية بصرية | تبحث عن التغيير؟ لفة النرد وطلب الاهتمام ، Arxiv ، 2020. [Paper] ، [Code ، DataSet] | Mxnet + Python |
| لامبوينيت | CNN (Light unet ++) ؛ روبية بصرية | تغيير الكشف في صور الأقمار الصناعية باستخدام التعلم العميق ، أطروحة ماجستير. [الرمز ، مجموعة البيانات ، النموذج الذي تم تدريبه مسبقًا] | Pytorch |
| DTCDSCN | سي إن إن ؛ سيامي | بناء الكشف عن تغيير صور الاستشعار عن بُعد باستخدام نموذج شبكة تلافيفية عميقة من SIAMSE ، يخضع للمراجعة. [الرمز ، مجموعة البيانات] | Pytorch |
| تحليل الغرض | CNN (UNET) ؛ ما بعد التصنيف روبية بصرية | الكشف عن تغيير الأراضي/تغيير الغطاء الأرضي في المناطق المتأثرة بالإعصار باستخدام الشبكات العصبية التلافيفية. ] | TensorFlow+Keras |
| corrfusionnet | سي إن إن ؛ مستوى المشهد سيامي؛ روبية بصرية | شبكة الاندماج القائمة على الارتباط نحو تصنيف المشهد متعدد الزملة واكتشاف التغيير ، والمراجعة. [رمز ، نموذج مسبق المدربين] ، [مجموعة البيانات] | Tensorflow 1.8 |
| SSCDNET | CNN (RESNET18) ؛ سيامي؛ نقل التعلم الدلالي Streetview | الكشف عن تغيير المشهد الدلالي القائم على صورة ظلية عرضية ، ICRA ، 2020. | Pytorch+Python3.6 |
| غير متجانسة | AE (AE- محاذاة الكود) ؛ غير خاضع للإشراف تحويل؛ غير متجانسة روبية بصرية | أجهزة الترميز التلقائي المحاذاة للكود لاكتشاف التغيير غير الخاضع للإشراف في صور الاستشعار عن بُعد متعدد الوسائط ، Arxiv ، 2020. [Paper] [Code ، DataSet] | TensorFlow 2.0 |
| FDCNN | CNN (VGG16) ؛ نقل التعلم نقي السماوية متعدد النطاق روبية بصرية | طريقة الفرق بين طريقة الكشف عن تغيير الشبكة العصبية القائمة على الشبكة ، TGRS ، 2020. | Caffe+Python2.7 |
| ستانيت | CNN (Resnet-18) ؛ آلية الانتباه نقي السماوية التبعية المكانية والزمانية ؛ روبية بصرية | طريقة قائمة على الاهتمام المكاني والزمانية ومجموعة بيانات جديدة للكشف عن تغيير صورة الاستشعار عن بُعد ، RS ، 2020. [Paper] [Code ، DataSet] | Pytorch+Python3.6 |
| X-Net | سي إن إن ؛ غير خاضع للإشراف تحويل؛ غير متجانسة RS البصري ؛ سار | ترجمة الصور العميقة مع تغيير قائم على التقارب قبل الكشف عن التغيير متعدد الوسائط غير الخاضع للإشراف ، 2020. [Paper] [Code ، DataSet] | Tensorflow 1.4 |
| Ace-Net | AE (التشفير الدوري العدواني) ؛ غير خاضع للإشراف تحويل؛ غير متجانسة RS البصري ؛ سار | ترجمة الصور العميقة مع تغيير قائم على التقارب قبل الكشف عن التغيير متعدد الوسائط غير الخاضع للإشراف ، 2020. [Paper] [Code ، DataSet] | Tensorflow 1.4 |
| vgg_lr | CNN (VGG16) ؛ نقل التعلم نقي السماوية شرائح صفوف منخفضة روبية بصرية | الكشف عن التغيير استنادًا إلى الميزات العميقة والرتبة المنخفضة ، GRSL ، 2017. | الكافيين+ماتلاب |
| Cdnet | سي إن إن ؛ سيامي؛ بيانات متعددة الوسائط ؛ نقطة بيانات السحابة | اكتشاف التغيرات في البناء بين فحص الليزر المحمول جواً وبيانات التصوير الفوتوغرافي ، RS ، 2019. [Paper] ، [Code] | Pytorch |
| SCCN | Ae (dae) ؛ غير خاضع للإشراف غير متجانسة RS البصري ؛ سار | شبكة اقتران تلافيفية عميقة للكشف عن التغيير استنادًا إلى الصور البصرية والرادار غير المتجانسة ، TNNLS ، 2018. [Paper] [رمز إعادة التنفيذ] | TensorFlow 2.0 |
| كان | غان (GAN الشرطي) ؛ غير متجانسة RS البصري ؛ سار | شبكة عدوانية مشروطة لاكتشاف التغيير في الصور غير المتجانسة ، GRSL ، 2019. [ورقة] [رمز إعادة التنفيذ] | TensorFlow 2.0 |
| dasnet | CNN (VGG16) ؛ سيامي؛ آلية الانتباه روبية بصرية | DASNET: شبكات سيام تلافيفية تمامًا من أجل تغيير الصور الفضائية عالية الدقة ، ARXIV ، 2020. | Pytorch+Python3.6 |
| unetlstm | CNN (UNET) ؛ RNN (LSTM) ؛ نموذج متكامل ؛ روبية بصرية | الكشف عن التغييرات الحضرية مع الشبكات العصبية المتكررة من بيانات الحارس 2 ، IGARSS ، 2019. | Pytorch+Python3.6 |
| CDMI-NET | CNN (UNET) ؛ نقي السماوية تعلم مثيل متعدد ؛ رسم خرائط الانهيار الأرضي. روبية بصرية | تعلم مثيل متعدد عميق لرسم خرائط الانهيار الأرضي ، GRSL ، 2020. | Pytorch+Python3.6 |
| DSFANET | DNN ؛ غير خاضع للإشراف قبل التصنيف تحليل ميزة بطيئة ؛ روبية بصرية | تحليل الميزات البطيئة غير الخاضعة للرقابة لاكتشاف التغيير في صور الاستشعار عن بُعد متعددة الزملة ، TGRS ، 2019. [Paper] [Code ، DataSet] | Tensorflow 1.7 |
| CD-unet ++ | CNN (تحسين unet ++) ؛ التصنيف المباشر ؛ روبية بصرية | الكشف عن التغيير من طرف إلى طرف للصور الأقمار الصناعية عالية الدقة باستخدام UNET ++ ، RS ، 2019. [Paper] [CODE] | TensorFlow+Keras |
| سيامينيت | CNN (VGG16) ؛ نقي السماوية روبية بصرية | شبكة Siamese ذات ميزات متعددة المستويات للكشف عن التغيير القائم على الرقص في صور الأقمار الصناعية ، Globalsip ، 2018. [Paper] [Code ، DataSet] | TensorFlow+Keras |
| re3fcn | CNN (ConvlStm) ؛ PCA ؛ الالتفاف ثلاثي الأبعاد ؛ التغييرات متعددة الفصول ؛ RS البصري ؛ فرط الطيف | تغيير الكشف في الصور الفائقة الطيفية باستخدام شبكات تلغيرات ثلاثية الأبعاد متكررة ، RS ، 2018. [Paper] [Code ، DataSet] | TensorFlow+Keras |
| FC-EF ، FC-Siam-Conc ، FC-Siam-Diff | CNN (UNET) ؛ نقي السماوية روبية بصرية | شبكات Siamese Convality بالكامل لاكتشاف التغيير ، ICIP ، 2018. [Paper] [Code ، DataSet] | Pytorch |
| cosimnet | CNN (DeepLab V2) ؛ نقي السماوية Streetview | تعلم التغييرات: شبكات متري SIAMESE TALLING CALLED لاكتشاف تغيير المشهد ، ARXIV ، 2018. [PAPER] | Pytorch+Python2.7 |
| قناع R-CNN | قناع R-CNN (Resnet-101) ؛ نقل التعلم ما بعد التصنيف روبية بصرية | تجزئة الأحياء الفقيرة واكتشاف التغيير: نهج التعلم العميق ، NIPS ، 2018. | TensorFlow+Keras |
| caffenet | CNN (caffenet) ؛ غير خاضع للإشراف نقل التعلم روبية بصرية | ميزات الشبكة العصبية التنازلية الكشف عن التغيير في الصور الأقمار الصناعية ، IWPR ، 2016. [Paper] [Code ، DataSet] | TensorFlow+Keras |
| cwnn | CNN (CWNN) ؛ غير خاضع للإشراف قبل التصنيف سار | الكشف عن تغيير الجليد البحري في صور SAR استنادًا إلى الشبكات العصبية المويجة التلافيفية ، GRSL ، 2019. [Paper] [Code ، DataSet] | ماتلاب |
| MLFN | CNN (Densenet) ؛ نقل التعلم سار | تم نقل التعلم العميق لاكتشاف تغيير الجليد البحري من صور رادار الفتحة الاصطناعية ، GRSL ، 2019. [Paper] [Code ، DataSet] | الكافيين+ماتلاب |
| Garborpcanet | CNN (PCANET) ؛ غير خاضع للإشراف قبل التصنيف Wavelets Gabor ؛ سار | اكتشاف التغيير التلقائي في صور رادار الفتحة الاصطناعية على أساس PCANET ، GRSL ، 2016. [Paper] [Code ، DataSet] | ماتلاب |
| MS-Capsnet | CNN (MS-Capsnet) ؛ كبسولة؛ آلية الانتباه الالتفاف الانصهار التكيفي ؛ سار | تغيير الكشف في صور SAR استنادًا إلى شبكة الكبسولة المتعددة ، GRSL ، 2020. [Paper] [Code ، DataSet] | MATLAB+KERAS2.16 |
| DCNET | سي إن إن ؛ غير خاضع للإشراف قبل التصنيف سار | تغيير الكشف عن صور رادار الفتحة الاصطناعية استنادًا إلى شبكة العميق القائمة على القناة ، JSTARS ، 2019. [Paper] [Code ، DataSet] | الكافيين |
| Changenet | سي إن إن ؛ سيامي؛ Streetview | Changenet: بنية التعلم العميق للكشف عن التغيير البصري ، ECCV ، 2018. [Paper] [Code ، DataSet] | Pytorch |
| سيتم إضافة الآخرين قريبًا! | |||
| طُرق | الكلمات الرئيسية | النشر | تطبيق |
|---|---|---|---|
| عدة طرق كلاسيكية | CVA DPCA ؛ الصورة الاختلاف نسبة الصورة انحدار الصورة IR-MAD مجنون؛ pcakmeans PCDA ؛ كميونز OTSU عتبة ثابتة | صندوق أدوات لاكتشاف تغيير الاستشعار عن بُعد. [شفرة] | ماتلاب |
| MATLAB Toolbox Detection | IR-MAD IT-PCA ؛ ERM ICM | صندوق أدوات لتحليل الكشف عن التغيير غير الخاضع للإشراف ، IJRS ، 2016. [Paper] [Code] | ماتلاب |
| RFR ، SVR ، GPR | غير خاضع للإشراف انحدار الصورة غير متجانسة RS البصري ؛ سار | انحدار الصورة غير الخاضع للرقابة لاكتشاف التغيير غير المتجانس ، TGRS ، 2019. [ورقة] [رمز] | ماتلاب |
| HPT | غير خاضع للإشراف تحويل؛ غير متجانسة RS البصري ؛ سار | تغيير التغيير في صور الاستشعار عن بُعد غير متجانسة عن طريق تحويل البيكسل المتجانس ، طرف ، 2018. [ورقة] [رمز إعادة التنفيذ] | ماتلاب |
| KCCA | تحليل الارتباط الكنسي ؛ مستشعر روبية بصرية | المحاذاة الطيفية للصور متعددة الاستشعار الزمنية مع تحليل ارتباط kernel الآلي ، IJPRS ، 2015. [ورقة] [رمز] | ماتلاب |
| كير. فرق. RBF | غير خاضع للإشراف K-Means ؛ روبية بصرية | الكشف عن التغيير غير الخاضع للإشراف مع Kernels ، GRSL ، 2012. [ورقة] [رمز] | ماتلاب |
| FDA-RM | قائم على DI ؛ تحليل مجال التردد ؛ تعددات عشوائية سار | اكتشاف صورة رادار الفتحة الاصطناعية استنادًا إلى تحليل مجال التردد والمتعددات العشوائية ، الجرار ، 2018. [ورقة] [رمز] | ماتلاب |
| CD-NR-ELM | قائم على DI ؛ قبل التصنيف آلة التعلم المتطرفة سار | تغيير الكشف عن صور رادار الفتحة الاصطناعية على أساس النسبة القائمة على الحي وآلة التعلم المتطرف ، الجرار ، 2016. [Paper] [Code ، DataSet] | ماتلاب |
| لا أحد | نسبة الاحتمال. إحصاء اختبار سار | تغيير التغيير في صور SAR الاستقطاب ، 2015. [تقرير] [رمز] | بيثون |
| PCA K-Means | غير خاضع للإشراف قائم على DI ؛ PCA ؛ K يعني. روبية بصرية | الكشف عن التغيير غير الخاضع للإشراف في صور الأقمار الصناعية باستخدام تحليل المكون الرئيسي وتجميع K-Mean ، GRSL ، 2009. | ماتلاب |
| PTCD | الموتر فرط الطيف الضوئي RS | كاشف تحلل Tucker وإعادة الإعمار من ثلاثة ترتيب للكشف عن التغيير غير الخاضع للإشراف. JSTARS ، 2021. [ورقة] [رمز ، مجموعة البيانات] | ماتلاب |
| GBF-CD | دمج البيانات. رسم بياني م ؛ كي | تم تطبيق اندماج البيانات المستندة إلى الرسم البياني على: تغيير التغيير وتقدير الكتلة الحيوية في محاصيل الأرز. استشعار عن بعد ، 2020 [ورقة] [رمز ، مجموعة البيانات] | ماتلاب |
| سيتم إضافة الآخرين قريبًا! | |||
حاليًا ، هناك بعض مجموعات البيانات المتاحة مجانًا للكشف عن التغيير ، والتي يمكن استخدامها كمجموعات بيانات معيارية لتدريب الذكاء الاصطناعي وتقييم الدقة في الأبحاث المستقبلية. وترد معلومات مفصلة في الجدول 3.
| يكتب | مجموعة البيانات | وصف |
|---|---|---|
| روبية بصرية | مجموعة بيانات DSIFN [25] | 6 صور ثنائية الدقة عالية الدقة من Google Earth. هناك 3600 زوجًا من الصور بحجم 512 × 512 للتدريب ، 340 للتحقق من الصحة ، و 48 للاختبار. [تحميل] |
| S2MTCP [26] | 1520 تركز أزواج الصور من المستوى 1C على المناطق الحضرية في جميع أنحاء العالم ، مع دقة مكانية 10 أمتار وحجم 600 × 600 بكسل. لا يتم إجراء التصحيحات الهندسية أو الإشعاعية. [تحميل] | |
| Sysu-CD [27] | 20000 أزواج من 0.5 م صورة جوية بحجم 256 × 256 تم التقاطها بين عامي 2007 و 2014 في هونغ كونغ ، بما في ذلك 6 أنواع تغيير: (أ) المباني الحضرية التي تم بناؤها حديثًا ؛ (ب) تمدد الضواحي ؛ (ج) الأساس قبل البناء ؛ (د) تغيير الغطاء النباتي ؛ (هـ) توسيع الطرق ؛ (و) بناء البحر. [تحميل] | |
| s2loking [28] | تتكون مجموعة بيانات بيانات الكشف عن تغيير المبنى من 5000 زوج من الأزواج المصورة المصورة (حجم 1024*1024 ، 0.5 ~ 0.8 م/بكسل) من المناطق الريفية في جميع أنحاء العالم وأكثر من 65،920 مثيلات تغيير مشروحة ، مما يشير بشكل منفصل إلى المبنى الذي تم بناؤه حديثًا ومهدمًا [تنزيل] | |
| مجموعة بيانات الصور الاصطناعية والحقيقية [29] | تحتوي قاعدة البيانات على 12000 ثلاث مرات من الصور الاصطناعية دون تحول كائن ، و 12000 ثلاثية من الصور النموذجية مع تحول الكائن و 16000 ثلاثية من شظايا صور الاستشعار عن بُعد الحقيقية. أظهرت الاختبارات التي تم تنفيذها أن شبكة CNN المقترحة واعدة وفعالة بدرجة كافية في اكتشاف التغيير على الصور الاصطناعية والحقيقية [تنزيل] | |
| مجموعة بيانات اكتشاف التغيير الدلالي (الثاني) [24] | مجموعة بيانات اكتشاف تغيير التغيير الدلالي المشروح على مستوى البكسل ، بما في ذلك 4662 زوجًا من الصور الجوية مع 512 × 512 بكسل من عدة منصات وأجهزة استشعار ، تغطي Hangzhou و Chengdu و Shanghai. إنه يركز على 6 فصول رئيسية في الغطاء الأرضي ، أي سطح أرضي غير خاضية ، وشجرة ، وانخفاض الغطاء النباتي ، والماء ، والمباني والملاعب ، والتي تشارك في كثير من الأحيان في التغييرات الجغرافية الطبيعية والرجل. [تحميل] | |
| مجموعة بيانات الكشف عن التغيير الفائق الطيف [1] | 3 مشاهد مختلفة من الفائض التي اكتسبتها Aviris أو Hyperion Sensor ، مع 224 أو 242 نطاقات طيفية ، تحمل علامات على 5 أنواع من التغييرات المتعلقة بتحولات المحاصيل على مستوى بكسل. [تحميل] | |
| مجموعة بيانات نهر HSIS [2] | 2 HSIS في مقاطعة Jiangsu ، الصين ، مع 198 شريط ، المسمى على أنها تغيرت ولم تتغير على مستوى بكسل. [تحميل] | |
| HRSCD [3] | 291 أزواج مسجلة مشتركة من الصور الجوية RGB ، مع تغيير مستوى البكسل والتعليقات التوضيحية للغطاء الأرضي ، وتوفير ملصقات تغيير المستوى الهرمي ، على سبيل المثال ، تشمل ملصقات المستوى 1 خمسة فئات: لا معلومات ، أسطح اصطناعية ، المناطق الزراعية ، الغابات ، الأراضي الرطبة ، والماء. [تحميل] | |
| Whu Building Dataset [4] | 2-فترات الصور الجوية التي تحتوي على 12،796 مبنى ، المقدمة جنبا إلى جنب مع بناء ناقلات وخرائط النقطية. [تحميل] | |
| معيار تغيير الهواء Sztaki [5 ، 6] | 13 أزواج الصور الجوية بدقة مكانية 1.5 متر ، والتي تم تسميتها على أنها تغيرت ولم تتغير على مستوى البكسل. [تحميل] | |
| OSCD [7] | 24 زوجًا من الصور المتعددة الأطياف التي اكتسبتها Sentinel-2 ، والتي تم تصنيفها على أنها تغيرت ولم تتغير على مستوى البكسل. [تحميل] | |
| تغيير مجموعة بيانات الكشف [8] | 4 أزواج من الصور متعددة الأطياف مع قرارات مكانية مختلفة ، والتي تم تصنيفها على أنها تغيرت ولم تتغير على مستوى البكسل. [تحميل] | |
| MTS-WH [9] | 2 صور VHR كبيرة الحجم التي اكتسبتها أجهزة استشعار Ikonos ، مع 4 نطاقات ودقة مكانية 1 متر ، وموثل 5 أنواع من التغييرات (أي وقوف السيارات ، والمنازل المتفرقة ، والمنطقة السكنية ، ومنطقة الغطاء النباتي) على مستوى المشهد. [تحميل] | |
| ABCD [10] | 16،950 زوجًا من الصور الجوية RGB للكشف عن المباني التي تم غسلها بواسطة تسونامي ، المسمى المباني التالفة على مستوى المشهد. [تحميل] | |
| XBD [11] | مصورات القمر الصناعي قبل وبعد الكوارث لتقييم الأضرار ، مع أكثر من 850،000 مضلعات بناء من 6 أنواع من الكوارث ، المسمى على مستوى البكسل مع 4 مقاييس تلف. [تحميل] | |
| AICD [12] | 1000 زوج من الصور الجوية الاصطناعية مع تغييرات اصطناعية تم إنشاؤها مع محرك تقديم ، مصمم على أنه تم تغييره ولم يتغير على مستوى البكسل. [تحميل] | |
| قاعدة بيانات الصور الاصطناعية والحقيقية [13] | 24000 صورة اصطناعية و 16000 شظايا من صور RS المتغيرة التي تم الحصول عليها من قبل Google Earth ، والتي تم تصنيفها على أنها تم تغييرها على مستوى البكسل. [تحميل] | |
| Levir-CD [14] | 637 ثنائي الدقة للغاية (VHR ، 0.5m/pixel) Google Earth (GE) أزواج تصحيح الصورة بحجم 1024 × 1024 بكسل ويحتوي على ما مجموعه 31333 حالة تغيير فردية ، تم تصنيفها على أنها تغيرت ولم تتغير على مستوى البكسل. [تحميل] | |
| مجموعة بيانات Bastrop Fire [21] | 4 صور تم الحصول عليها من أجهزة استشعار مختلفة على مقاطعة باستروب ، تكساس (الولايات المتحدة الأمريكية). وهو مؤلف من Landsat 5 TM كصورة ما قبل الحدث و Landsat 5 TM ، و EO-1 Ali و Landsat 8 كصور ما بعد الحدث ، والتي تم تصنيفها على أنها تغيرت ولم تتغير على مستوى البكسل ، والتي تسببها حرائق الغابات بشكل رئيسي. [تحميل] | |
| مجموعة بيانات Google [23] | 19 صور VHR المتغيرة للموسم زوجي 3 نطاقات من الأحمر والأخضر والأزرق ، بدقة مكانية تبلغ 0.55 متر ، والحجم الذي يتراوح من 1006 × 1168 بكسل إلى 4936 × 5224 بكسل. تشمل تغييرات الصورة المياه ، والطرق ، والأراضي الزراعية ، والأراضي العارية ، والغابات ، والمباني ، والسفن ، وما إلى ذلك. تشكل المباني التغييرات الرئيسية. تم الحصول عليها خلال الفترات بين عامي 2006 و 2019 ، والتي تغطي مناطق ضاحية مدينة قوانغتشو ، الصين. [تحميل] | |
| بصري RS & SAR | مجموعة بيانات كاليفورنيا [22] | 3 صور ، بما في ذلك صورة RS التي تم التقاطها بواسطة Landsat 8 مع 9 قنوات في عام 2017 ، وهي صورة SAR التي التقطتها Sentinel-1a (المسجلة في Polarisations VV و VH) بعد حدوث الفيضان ، وخريطة الحقيقة الأرضية. [تحميل] |
| مجموعة بيانات الأقراص المضغوطة المتجانسة [30] | 6 السيناريوهات: السيناريو 1 مع مجموعتين بيانات للقطعة الواحدة ؛ السيناريو 2 مع مجموعتي بيانات polsar ؛ السيناريو 3 مع مجموعتي بيانات الصورة الضوئية. heterogeneouscd: السيناريو 4 مع اثنين من مجموعات بيانات SAR/Optical (متعددة الأطياف) ؛ السيناريو 5 مع مجموعتين لبيانات متعددة الأطياف من مختلف الأشرطة المكتسبة من أجهزة استشعار مختلفة ؛ السيناريو 6 مع مجموعات بيانات Twopolsar/Optical (متعددة الأطياف). [تحميل] | |
| منظر الشارع | VL-CMU-CD [15] | 1362 أزواج مسجلة من RGB وعمق الصور ، تغيير الحقيقة المسمى (على سبيل المثال ، BIN ، علامة ، مركبة ، رفض ، البناء ، مخروط حركة المرور ، الشخص/الدورة ، الحاجز) وأقنعة السماء على مستوى البكسل. [تحميل] |
| PCD 2015 [16] | 200 أزواج صورة بانورامية في مجموعة فرعية "تسونامي" و "GSV" ، بحجم 224 × 1024 بكسل ، تسمية كما تم تغييرها على مستوى البكسل. [تحميل] | |
| تغيير مجموعة بيانات الكشف [17] | تسلسل الصور في شوارع المدينة التي تم التقاطها بواسطة كاميرا مثبتة على السيارة في نقطتين زمنيتين مختلفتين ، بحجم 5000 × 2500 بكسل ، يتغير بنية المشهد ثلاثي الأبعاد على مستوى بكسل. [تحميل] | |
| السيرة الذاتية | CDNET 2012 [18] | 6 فئات الفيديو مع تسلسل 4 إلى 6 مقاطع فيديو في كل فئة ، وتحتوي الصور الجروز على 5 ملصقات وهي: ثابت ، ظل صلب ، منطقة خارج الاهتمام ، حركة غير معروفة (عادةً حول الكائنات المتحركة ، بسبب الشفاف شبه وضوء الحركة) ، والحركة. [تحميل] |
| CDNET 2014 [19،20] | 22 مقاطع فيديو إضافية (∼70 ؛ 000 Pixel-leise Manted Frames) تمتد على 5 فئات جديدة تتضمن تحديات واجهتها في العديد من إعدادات المراقبة ، وتوفر الكاميرا الواقعية التي تم التقاطها (بدون CGI) ، مجموعة متنوعة من مقاطع الفيديو الداخلية والخارجية مثل Cdnet 2012. [تنزيل] | |
| تغييرات [31] | مجموعة بيانات صعبة تهدف إلى تغيير تغيير المشهد عبر الإنترنت وأكثر من ذلك ، والتجميع في بيئات المحاكاة الواقعية مع وجود اختلافات بيئية غير مستهدفة ، مثل تعكر الهواء وتغيرات حالة الضوء ، وكذلك تغييرات الكائن المستهدفة في البيئات الداخلية الصناعية. [تحميل] | |
| المزيد من مجموعات بيانات الفيديو | ||
يمكن ملاحظة أن كمية مجموعات البيانات المفتوحة التي يمكن استخدامها لمهام الكشف عن التغيير صغيرة ، وبعضها يحتوي على أحجام بيانات صغيرة. في الوقت الحاضر ، لا يزال هناك نقص في مجموعات بيانات SAR كبيرة يمكن استخدامها لتدريب الذكاء الاصطناعي. تعتمد معظم طرق اكتشاف التغيير المستندة إلى الذكاء الاصطناعي على العديد من مجموعات بيانات SAR التي تحتوي على أنواع محدودة من التغييرات ، على سبيل المثال ، مجموعة بيانات Bern ، ومجموعة بيانات أوتاوا ، ومجموعة بيانات النهر الصفراء ، ومجموعة بيانات المكسيك ، والتي لا يمكن أن تلبي احتياجات الكشف عن التغيير في المناطق ذات الغطاء الأرضي المعقدة وأنواع التغيير المختلفة. علاوة على ذلك ، فإن علاماتهم ليست متاحة بحرية. تُستخدم مجموعات بيانات عرض الشوارع عمومًا للبحث عن طرق اكتشاف التغيير القائمة على الذكاء الاصطناعي في رؤية الكمبيوتر (CV). في السيرة الذاتية ، يعد اكتشاف التغيير استنادًا إلى الصور أو الفيديو أيضًا حقل بحث ساخن ، والفكرة الأساسية تتفق مع تلك التي تعتمد على بيانات RS. لذلك ، بالإضافة إلى مجموعات بيانات صور الشارع ، يمكن أيضًا استخدام العديد من مجموعات بيانات الفيديو في السيرة الذاتية للبحث عن طرق اكتشاف التغيير المستندة إلى الذكاء الاصطناعي ، مثل CDNET 2012 و CDNET 2014.
لقد سهل تطوير تقنيات الكشف عن التغيير القائمة على الذكاء الاصطناعي العديد من التطبيقات وقد حسّن أتمتة وذكائها. يولد معظم الكشف عن التغيير القائم على الذكاء الاصطناعي خرائط ثنائية ، وتركز هذه الدراسات فقط على الخوارزمية نفسها ، بدون حقل تطبيق معين. لذلك ، يمكن اعتبار أنها مناسبة بشكل عام للكشف عن تغيير LULC. في هذا القسم ، نركز على التقنيات المرتبطة بتطبيقات محددة ، ويمكن تقسيمها على نطاق واسع إلى أربع فئات:
نحن نقدم نظرة عامة على تقنيات الكشف عن التغيير المختلفة في الأدب لفئات التطبيقات المختلفة. يتم سرد الأعمال وأنواع البيانات المرتبطة بهذه التطبيقات في الجدول 4.
| التطبيقات | أنواع البيانات | أوراق | |
|---|---|---|---|
| السياقات الحضرية | التوسع الحضري | صور الأقمار الصناعية | Lyu et.al (2018) ، Tong et.al (2007) |
| صور SAR | Iino et.al (2017) | ||
| إدارة الفضاء العامة | شارع عرض الصور | Varghese et.al (2018) | |
| سطح الطريق | صور الطائرات بدون طيار | Truong et.al (2020) | |
| بناء تغيير تغيير | الصور الجوية | Ji et.al (2019) ، Sun et.al (2019) ، Nemoto et.al (2017) | |
| صور الأقمار الصناعية | Huang et.al (2019) ، Zhu et.al (2018) | ||
| الصور القمر الصناعي/الجوي | Jiang et.al (2020) ، Ji et.al (2018) ، Saha et.al (2020) | ||
| بيانات مسح الليزر المحمولة جواً والصور الجوية | Zhang et.al (2019) | ||
| صور SAR | Jatorapitpornchai et.al (2019) | ||
| صور الأقمار الصناعية وخريطة نظم المعلومات الجغرافية | Ghaffarian et.al (2019) | ||
| الموارد والبيئة | التغييرات البيئية التي يحركها الإنسان | صور الأقمار الصناعية | Chen et.al (2016) |
| التغييرات المائية البيئة | صور الأقمار الصناعية | Nourani et.al (2018) | |
| الجليد البحري | صور SAR | Gao et.al (2019) ، Gao et.al (2019) | |
| الماء السطحي | صور الأقمار الصناعية | Song et.al (2019) ، Rokni et.al (2015) | |
| مراقبة الغابات | صور الأقمار الصناعية | Khan et.al (2017) ، Lindquist et.al (2016) ، Deilmai et.al (2014) ، Woodcock et.al (2001) ، Gopal et.al (1996) | |
| الكوارث الطبيعية | رسم خرائط الانهيار الأرضي | الصور الجوية | Fang et.al (2020) ، Lei et.al (2019) |
| صور الأقمار الصناعية | Chen et.al (2018) ، Ding et.al (2016) ، Tarantino et.al (2006) | ||
| تقييم الأضرار | صور الأقمار الصناعية | بسبب تسونامي [Sublime et.al (2019) ، Singh et.al (2015)] ، حادثة خاصة [Hedjam et.al (2019)] ، Flood [Peng et.al (2019)] ، أو الزلزال [Ji et.al (2019)] | |
| الصور الجوية | بسبب تسونامي [Fujita et.al (2017)] | ||
| صور SAR | بسبب الحرائق [Planinšič et.al (2018)] ، أو الزلزال [Saha et.al (2018)] | ||
| شارع عرض الصور | بسبب تسونامي [Sakurada et.al (2015)] | ||
| شارع عرض الصور وخريطة نظم المعلومات الجغرافية | بسبب تسونامي [Sakurada et.al (2017)] | ||
| علم الفلك | الأسطح الكوكبية | صور الأقمار الصناعية | Kerner et.al (2019) |
يوجد حاليًا عدد كبير من البرامج مع أدوات اكتشاف التغيير ، ولدينا ملخص موجز عنها ، انظر الجدول 5.
| يكتب | اسم | وصف |
|---|---|---|
| تجاري | erdas تخيل | يوفر قيمة حقيقية ، وتوحيد الاستشعار عن بعد ، وقياس التصوير ، وتحليل LIDAR ، وتحليل المتجه الأساسي ، ومعالجة الرادار في منتج واحد ، بما في ذلك مجموعة متنوعة من أدوات اكتشاف التغيير. |
| arcgis | يمكن حساب اكتشاف التغيير بين مجموعتي بيانات نقطية باستخدام أداة حاسبة Raster أو سير عمل التعلم العميق. | |
| البيئة | يوفر أدوات تحليل الكشف عن التغيير ووحدة التعلم العميق ENVI. | |
| المعرفة | يمكن استخدامها لمجموعة متنوعة من تعيين التغيير ، ومن خلال الاستفادة من تكنولوجيا التعلم العميق من مكتبة Google TensorFlow ™ ، يمكّن الإلكترون العملاء من خلال التعرف على الأنماط المتطورة للغاية وأدوات الارتباط التي تتم أتمتة تصنيف الكائنات ذات الاهتمام لنتائج أسرع وأكثر دقة ، وأكثر من ذلك. | |
| PCI Geomatica | يوفر أدوات الكشف عن التغيير ، ويمكن أن تكون مفيدة في العديد من الظروف التي قد ترغب في تحليل التغيير ، مثل: أضرار العواصف ، وأضرار إطلاق النار في الغابات ، والفيضانات ، والامتداد الحضري ، والمزيد. | |
| وقت | Senseremote عن بعد الحلول الذكية | |
| المصدر المفتوح | QGIS | يوفر العديد من أدوات الكشف عن التغيير. |
| Orfeo Toolbox | الكشف عن التغيير بواسطة خوارزمية الكشف عن التغيير متعدد المتغيرات (MAD). | |
| تغيير أدوات الكشف | MATLAB Toolbox للكشف عن تغيير الاستشعار عن بُعد. |
الأوراق التالية مفيدة للباحثين لفهم هذا المجال من اكتشاف تغيير الاستشعار عن بُعد ، انظر الجدول 6.
| سنة المنشورة | ورقة مراجعة |
|---|---|
| 1989 | تقنيات الكشف عن التغيير الرقمي باستخدام البيانات المستشعر عن بُعد ، IJRs. [ورق] |
| 2004 | طرق الكشف عن التغيير الرقمي في مراقبة النظام الإيكولوجي: مراجعة ، IJRs. [ورق] |
| 2004 | تغيير تقنيات الكشف ، IJRs. [ورق] |
| 2012 | الكشف عن التغيير القائم على الكائن ، IJRs. [ورق] |
| 2013 | تغيير التغيير من الصور المستشعر عن بُعد: من الأساليب المستندة إلى البكسل إلى الكائنات ، ISPRs. [ورق] |
| 2016 | 3D الكشف عن الكشف والتطبيقات ، ISPRs. [ورق] |
| 2016 | التعلم العميق لبيانات الاستشعار عن بُعد برنامج تعليمي تقني على أحدث التقنيات ، MGRs. [ورق] |
| 2017 | مسح شامل للتعلم العميق في الاستشعار عن بعد: النظريات والأدوات والتحديات للمجتمع ، JRS. [ورق] |
| 2017 | التعلم العميق في الاستشعار عن بعد ، mgrs. [ورق] |
| 2018 | الذكاء الحسابي في معالجة صور الاستشعار عن بُعد البصرية ، ASOC. [ورق] |
| 2019 | مراجعة لاكتشاف التغيير في الصور الفائقة الزمنية المتعددة: التقنيات الحالية والتطبيقات والتحديات ، MGRs. [ورق] |
| 2019 | التعلم العميق في تطبيقات الاستشعار عن بعد: التحليل التلوي والمراجعة ، ISPRs. [ورق] |
| 2020 | التعلم العميق لاكتشاف التغيير في صور الاستشعار عن بعد: مراجعة شاملة والتحليل التلوي ، Arxiv. [ورق] |
| 2020 | تغيير التغيير على أساس الذكاء الاصطناعي: أحدث والتحديات ، روبية. [ورق] |
[1] مجموعة بيانات الكشف عن التغيير الفائق الطيف. متاح على الإنترنت: https://citius.usc.es/investigacion/datasets/hyperspectral-change-dtection-dataset (تم الوصول إليه في 4 مايو 2020).
[2] وانغ ، ف. يوان ، ز. دو ، ف. Li ، X. GetNet: إطار عام CNN من طرفه من طراز 2-D للكشف عن تغيير الصورة الفائق الطيف. IEEE Trans. Geosci. Sens Remote. 2018 ، 57 ، 3-13. [الباحث العلمي من Google] [CrossRef]
[3] Daudt ، RC ؛ لو سوكس ، ب. بولش ، أ. Gousseau ، Y. التعلم متعدد المهام للكشف عن التغيير الدلالي على نطاق واسع. حساب. فيس. فهم الصورة. 2019 ، 187 ، 102783. [الباحث العلمي من Google] [CrossRef]
[4] Ji ، S. ؛ وي ، Lu ، M. شبكات تلافيفية بالكامل لاستخراج المباني متعددة المقاطع من مجموعة بيانات الصور الهوائية والأقمار الصناعية المفتوحة. IEEE Trans. Geosci. Sens Remote. 2018 ، 57 ، 574–586. [الباحث العلمي من Google] [CrossRef]
[5] بينيديك ، ج. Sziranyi ، T. تغيير التغيير في الصور الجوية البصرية بواسطة نموذج Markov مختلط متعدد الطبقات. IEEE Trans. Geosci. Sens Remote. 2009 ، 47 ، 3416–3430. [الباحث العلمي من Google] [CrossRef]
[6] بينيديك ، ج. Sziranyi ، T. نموذج ماركوف مختلط لاكتشاف التغيير في الصور الجوية مع اختلافات زمنية كبيرة. في وقائع المؤتمر الدولي التاسع عشر لعام 2008 حول التعرف على الأنماط ، تامبا ، فلوريدا ، الولايات المتحدة الأمريكية ، 8-11 ديسمبر 2008 ؛ ص. 1-4. [الباحث العلمي من Google]
[7] Daudt ، RC ؛ لو سوكس ، ب. بولش ، أ. Gousseau ، Y. الكشف عن التغيير الحضري لمراقبة الأرض متعددة الأطياف باستخدام الشبكات العصبية التلافيفية. في وقائع IGARSS 2018 IEEE International Geoscience and Remote Sensing Symposium ، Valencia ، Spain ، 22–27 July 2018 ؛ ص. 2115-2118. [الباحث العلمي من Google]
[8] تشانغ ، م. Shi ، W. A Feature District Trannalal Neural Neural Distency Method. IEEE Trans. Geosci. Sens Remote. 2020 ، 1-15. [الباحث العلمي من Google] [CrossRef]
[9] وو ، ج. Zhang ، L .؛ Zhang ، L. إطار الكشف عن تغيير المشهد لصور الاستشعار عن بُعد عالية الدقة في المشهد. عملية الإشارة. 2016 ، 124 ، 184-197. [الباحث العلمي من Google] [CrossRef]
[10] فوجيتا ، أ. ساكورادا ، ك. Imaizumi ، T. ؛ إيتو ، ر. Hikosaka ، S. ؛ Nakamura ، R. الكشف عن الأضرار من الصور الجوية عبر الشبكات العصبية التلافيفية. في وقائع المؤتمر الدولي الخامس عشر لـ IAPR حول تطبيقات رؤية الآلات (MVA) ، جامعة ناغويا ، ناغويا ، اليابان ، 08-12 مايو 2017 ؛ ص 5-8 [الباحث العلمي من Google]
[11] غوبتا ، ر. جودمان ، ب. باتيل ، ن. Hosfelt ، R. ؛ ساجيف ، س. هيم ، ه. دوشي ، ج. لوكاس ، ك. Choset ، H. ؛ Gaston ، M. إنشاء XBD: مجموعة بيانات لتقييم أضرار البناء من صور الأقمار الصناعية. في وقائع مؤتمر IEEE حول ورش العمل والتعرف على الأنماط ، Long Beach ، CA ، الولايات المتحدة الأمريكية ، 16-20 يونيو 2019 ؛ ص. 10-17. [الباحث العلمي من Google]
[12] بورديس ، ن. مارراود ، د. Sahbi ، H. التدفق البصري المقيد للكشف عن تغيير الصورة الجوية. في وقائع ندوة IEEE الدولية للعلوم الجيولوجية وندوة الاستشعار عن بعد ، فانكوفر ، كولومبيا البريطانية ، كندا ، 24-29 يوليو 2011 ؛ ص. 4176-4179. [الباحث العلمي من Google] [CrossRef]
[13] ليبيديف ، ماساتشوستس ؛ فيزلتر ، YV ؛ Vygolov ، OV ؛ كنيز ، فرجينيا ؛ Rubis ، تغيير AY الكشف في صور الاستشعار عن بعد باستخدام شبكات الخصومة الشرطية. ISPRS int. قوس. التصوير الفوتوغرافي. Sens. Sens. Spat. Inf. SCI. 2018 ، 565-571. [الباحث العلمي من Google] [CrossRef]
[14] تشن ، ح. Shi ، Z. طريقة قائمة على الانتباه المكاني والزمانية ومجموعة بيانات جديدة للكشف عن صورة الاستشعار عن بُعد. الاستشعار عن بعد ، 12 (10) ، 1662. [الباحث العلمي من Google] [CrossRef]
[15] Alcantarilla ، PF ؛ الدعامات ، روس ، جي. أرويو ، ر. Gherardi, R. Street-view change detection with deconvolutional networks. Auton. روبوت. 2018, 42, 1301–1322. [Google Scholar] [CrossRef]
[16] Sakurada, K.; Okatani, T. Change detection from a street image pair using CNN features and superpixel segmentation. In Proceedings of the British Machine Vision Conference (BMVC), Swansea, UK, 7–10 September 2015; pp. 61.1–61.12. [Google Scholar]
[17] Sakurada, K.; Okatani, T.; Deguchi, K. Detecting changes in 3D structure of a scene from multi-view images captured by a vehicle-mounted camera. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Portland, OR, USA, 23–28 June 2013; pp. 137–144. [Google Scholar]
[18] Goyette, N.; Jodoin, P.-M.; Porikli, F.; Konrad, J.; Ishwar, P. Changedetection. net: A new change detection benchmark dataset. In Proceedings of the 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, Providence, RI, USA, 16–21 June 2012; pp. 1–8. [Google Scholar]
[19] Wang, Y.; Jodoin, P.-M.; Porikli, F.; Konrad, J.; Benezeth, Y.; Ishwar, P. CDnet 2014: An Expanded Change Detection Benchmark Dataset. In Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops, Columbus, OH, USA, 23–28 June 2014; pp. 393–400. [Google Scholar]
[20] Goyette, N.; Jodoin, P.-M.; Porikli, F.; Konrad, J.; Ishwar, P. A Novel Video Dataset for Change Detection Benchmarking. IEEE Trans. Image Process. 2014, 23, 4663–4679. [Google Scholar] [CrossRef]
[21] Volpi, Michele; Camps-Valls, Gustau; Tuia, Devis (2015). Spectral alignment of multi-temporal cross-sensor images with automated kernel canonical correlation analysis; ISPRS Journal of Photogrammetry and Remote Sensing, vol. 107, pp. 50-63, 2015. [CrossRef]
[22] LT Luppino, FM Bianchi, G. Moser and SN Anfinsen. Unsupervised Image Regression for Heterogeneous Change Detection. IEEE Transactions on Geoscience and Remote Sensing. 2019, vol. 57, no. 12, pp. 9960-9975. [CrossRef]
[23] D. Peng, L. Bruzzone, Y. Zhang, H. Guan, H. Ding and X. Huang, SemiCDNet: A Semisupervised Convolutional Neural Network for Change Detection in High Resolution Remote-Sensing Images. IEEE Transactions on Geoscience and Remote Sensing. 2020. [CrossRef]
[24] Yang, Kunping, et al. Asymmetric Siamese Networks for Semantic Change Detection. arXiv preprint arXiv:2010.05687 (2020). [CrossRef]
[25] Zhang, C., Yue, P., Tapete, D., Jiang, L., Shangguan, B., Huang, L., & Liu, G. A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing. 2020. [CrossRef]
[26] LEENSTRA, Marrit, et al. Self-supervised pre-training enhances change detection in Sentinel-2 imagery. arXiv. 2021. [CrossRef]
[27] SHI, Qian, et al. A Deeply Supervised Attention Metric-Based Network and an Open Aerial Image Dataset for Remote Sensing Change Detection. IEEE Transactions on Geoscience and Remote Sensing. 2021. [CrossRef]
[28] SHEN, Li, et al. S2Looking: A Satellite Side-Looking Dataset for Building Change Detection. arXiv. 2021. [CrossRef]
[29] LEBEDEV, MA, et al. CHANGE DETECTION IN REMOTE SENSING IMAGES USING CONDITIONAL ADVERSARIAL NETWORKS. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2018. [CrossRef]
[30] SUN, Yuli, et al. Structure Consistency-Based Graph for Unsupervised Change Detection With Homogeneous and Heterogeneous Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing, 2021. [CrossRef]
[31] PARK, Jin-Man, et al. ChangeSim: Towards End-to-End Online Scene Change Detection in Industrial Indoor Environments. arXiv. 2021. [CrossRef]
If you find this review helpful to you, please consider citing our paper. [Open Access]
@Article{rs12101688,
AUTHOR = {Shi, Wenzhong and Zhang, Min and Zhang, Rui and Chen, Shanxiong and Zhan, Zhao},
TITLE = {Change Detection Based on Artificial Intelligence: State-of-the-Art and Challenges},
JOURNAL = {Remote Sensing},
VOLUME = {12},
YEAR = {2020},
NUMBER = {10},
ARTICLE-NUMBER = {1688},
URL = {https://www.mdpi.com/2072-4292/12/10/1688},
ISSN = {2072-4292},
DOI = {10.3390/rs12101688}
}
This list will be updated in time, and volunteer contributions are welcome. For questions or sharing, please feel free to contact us or make issues.
