Change Detection Review
1.0.0
Deteksi perubahan berdasarkan data penginderaan jarak jauh (RS) adalah metode penting untuk mendeteksi perubahan pada permukaan bumi dan memiliki berbagai aplikasi dalam perencanaan kota, pemantauan lingkungan, investigasi pertanian, penilaian bencana, dan revisi MAP. Dalam beberapa tahun terakhir, teknologi intelijen buatan terintegrasi (AI) telah menjadi fokus penelitian dalam mengembangkan metode deteksi perubahan baru. Meskipun beberapa peneliti mengklaim bahwa pendekatan deteksi perubahan berbasis AI mengungguli pendekatan deteksi perubahan tradisional, tidak segera jelas bagaimana dan sejauh mana AI dapat meningkatkan kinerja deteksi perubahan. Ulasan ini berfokus pada metode, aplikasi, dan tantangan AI yang canggih untuk deteksi perubahan. Secara khusus, proses implementasi deteksi perubahan berbasis AI pertama kali diperkenalkan. Kemudian, data dari berbagai sensor yang digunakan untuk deteksi perubahan, termasuk data RS optik, data radar bukaan sintetis (SAR), gambar tampilan jalan, dan data heterogen gabungan, disajikan, dan set data terbuka yang tersedia juga terdaftar. Kerangka kerja umum metode deteksi perubahan berbasis AI ditinjau dan dianalisis secara sistematis, dan skema tanpa pengawasan yang digunakan dalam deteksi perubahan berbasis AI dianalisis lebih lanjut. Selanjutnya, jaringan yang umum digunakan dalam AI untuk deteksi perubahan dijelaskan. Dari sudut pandang praktis, domain aplikasi metode deteksi perubahan berbasis AI diklasifikasikan berdasarkan penerapannya. Akhirnya, tantangan utama dan prospek AI untuk deteksi perubahan dibahas dan digambarkan, termasuk (a) pemrosesan data besar yang heterogen, (b) AI tanpa pengawasan, dan (c) keandalan AI. Ulasan ini akan bermanfaat bagi para peneliti dalam memahami bidang ini.
Gambar 2 memberikan proses implementasi umum dari deteksi perubahan berbasis AI, tetapi struktur model AI beragam dan perlu dirancang dengan baik sesuai dengan situasi aplikasi yang berbeda dan data pelatihan. Perlu disebutkan bahwa kerangka matang yang ada seperti TensorFlow, Kera, Pytorch, dan Caffe, membantu para peneliti lebih mudah menyadari desain, pelatihan, dan penyebaran model AI, dan dokumen pengembangan mereka memberikan pengenalan terperinci.
| Metode | Kata kunci | Publikasi | Implementasi (RE) |
|---|---|---|---|
| Srcdnet | CNN; Siam; Perhatian; Resolusi super; Rs optik | Jaringan deteksi perubahan berbasis super-resolusi dengan modul perhatian bertumpuk untuk gambar dengan resolusi yang berbeda, TGRS, 2021. [Kertas], [kode, dataset] | Pytorch 1.2 |
| Escnet | CNN; Siam; Superpixel; Rs optik | Jaringan deteksi perubahan yang ditingkatkan superpixel end-to-end untuk gambar penginderaan jarak jauh yang sangat beresolusi tinggi. Tnnls, 2021. [Kertas], [kode] | Pytorch 1.3 |
| Kpcamnet | CNN; Siam; KPCA; Tanpa pengawasan; Rs optik | Deteksi perubahan yang tidak diawasi dalam gambar VHR multitemporal berdasarkan jaringan pemetaan konvolusional PCA kernel dalam, TCYB, 2021. [Kertas], [kode] | Python |
| Seco | CNN (resnet); Transfer Learning; Rs optik | Kontras Musiman: Pra-pelatihan yang tidak diawasi dari data penginderaan jauh yang tidak ternoda, Arxiv, 2021. [Kertas], [kode, dataset] | Pytorch 1.7 |
| Capsnet | Jaringan kapsul (SEGCAPS); CVA; Siam; Rs optik | Jaringan kapsul pseudo-siam untuk gambar penginderaan jarak jauh udara deteksi perubahan, GRSL, 2020. [Kertas 1], Ubah jaringan kapsul untuk deteksi ImageChange penginderaan jarak jauh optik, RS, 2021. [Kertas 2], [kode, dataset] | Keras |
| Bit_cd | CNN (resnet18); Siam; Perhatian; Transformator; Rs optik | Deteksi perubahan gambar penginderaan jarak jauh dengan Transformers, TGRS, 2021. [Kertas], [kode, dataset, model pra-terlatih] | Pytorch 1.6 |
| IAUG_CDNET | CNN (Gaugan+Unet); Siam; Gan; Diawasi; Rs optik | Contoh permusuhan augmentasi untuk membangun deteksi perubahan dalam gambar penginderaan jauh, TGRS, 2021. [Kertas], [kode, dataset] | Pytorch |
| Ddnet | CNN; Di+fcm; Tanpa pengawasan; Sar | Ubah deteksi dalam gambar radar bukaan sintetis menggunakan jaringan domain dual, GRSL, 2021. [Kertas], [kode, dataset] | Pytorch |
| Snunet-CD | CNN (NestedUnet); Siam; Perhatian; Diawasi; Rs optik | Snunet-CD: Jaringan Siam yang terhubung dengan padat untuk deteksi perubahan gambar VHR, GRSL, 2021. [Kertas], [kode, dataset, model pra-terlatih] | Pytorch 1.4 |
| DSMSCN | CNN; Siam; Multi-skala; Tidak diawasi/diawasi; Rs optik | Jaringan fusi gambar yang sangat diawasi untuk deteksi perubahan dalam resolusi tinggi gambar Sening Jarak Jauh, Arxiv, 2020. [Kertas], [Kode, Dataset] | TensorFlow 1.9 |
| Siamcrnn | CNN+RNN; Siam; Multi-sumber; Rs optik | Ubah deteksi dalam gambar VHR multisource melalui Deep Siamese Convolutional Multiple-Layers Recurrent Neural Network, TGRS, 2020. [Kertas], [Kode, Dataset] | TensorFlow 1.9 |
| Dsifn | CNN; Mekanisme perhatian; Rs optik | Jaringan fusi gambar yang sangat diawasi untuk deteksi perubahan dalam resolusi tinggi gambar pemasangan jarak jauh dua-temporal, ISPRS, 2020. [Kertas], [kode, dataset] | Pytorch & Keras |
| Ceecnet | CNN; Mekanisme perhatian; Ukuran kesamaan; Rs optik | Mencari perubahan? Gulung dadu dan permintaan perhatian, arxiv, 2020. [kertas], [kode, dataset] | Mxnet + python |
| Lamboisenet | CNN (cahaya unet ++); Rs optik | Ubah deteksi dalam citra satelit menggunakan pembelajaran mendalam, tesis utama. [Kode, dataset, model pra-terlatih] | Pytorch |
| Dtcdscn | CNN; Siam | Deteksi perubahan perubahan untuk gambar penginderaan jarak jauh menggunakan model jaringan konvolusional SIAMESE DEEP Dual Tugas Dual, menjalani ulasan. [kode, dataset] | Pytorch |
| Analisis land-cover | CNN (UNET); Pasca-klasifikasi; Rs optik | Penggunaan lahan/deteksi perubahan tutupan lahan di daerah yang terkena dampak siklon menggunakan jaringan saraf konvolusional. [Laporan], [kode, dataset, model pra-terlatih] | TensorFlow+keras |
| CorrfusionNet | CNN; Tingkat adegan; Siam; Rs optik | Jaringan fusi berbasis korelasi menuju klasifikasi adegan multi-temporal dan deteksi perubahan, menjalani ulasan. [kode, model pra-terlatih], [dataset] | TensorFlow 1.8 |
| Sscdnet | CNN (resnet18); Siam; Transfer Learning; Semantik; Streetview | Deteksi perubahan adegan semantik berbasis siluet yang diawasi dengan lemah, ICRA, 2020. [Kertas] [Kode, dataset, model pra-terlatih] | Pytorch+Python3.6 |
| Heterogeneous_cd | AE (AE yang diselaraskan kode); Tanpa pengawasan; Transformasi; Heterogen; Rs optik | Autoencoder yang diselaraskan kode untuk deteksi perubahan tanpa pengawasan dalam gambar penginderaan jarak jauh multimodal, Arxiv, 2020. [Kertas] [Kode, Dataset] | TensorFlow 2.0 |
| Fdcnn | CNN (VGG16); Transfer Learning; Sialan murni; Multi-skala; Rs optik | Metode Deteksi Perubahan Berbasis Jaringan Neural Neural Convolutional, TGRS, 2020. [Kertas] [Kode, Dataset, Model Pra-Terlatih] | Caffe+Python2.7 |
| Stanet | CNN (ResNet-18); Mekanisme perhatian; Sialan murni; Ketergantungan spasial -temporal; Rs optik | Metode berbasis perhatian spasial-temporal dan dataset baru untuk deteksi perubahan gambar penginderaan jauh, RS, 2020. [Kertas] [Kode, Dataset] | Pytorch+Python3.6 |
| X-net | CNN; Tanpa pengawasan; Transformasi; Heterogen; RS optik; Sar | Terjemahan gambar dalam dengan perubahan berbasis afinitas sebelum untuk deteksi perubahan multimodal tanpa pengawasan, 2020. [Kertas] [kode, dataset] | TensorFlow 1.4 |
| Ace-net | AE (encoder siklik yang menguntungkan); Tanpa pengawasan; Transformasi; Heterogen; RS optik; Sar | Terjemahan gambar dalam dengan perubahan berbasis afinitas sebelum untuk deteksi perubahan multimodal tanpa pengawasan, 2020. [Kertas] [kode, dataset] | TensorFlow 1.4 |
| Vgg_lr | CNN (VGG16); Transfer Learning; Sialan murni; Slic; Peringkat rendah; Rs optik | Ubah Deteksi Berdasarkan Fitur Mendalam dan Peringkat Rendah, GRSL, 2017. [Kertas] [Kode Imlementasi Re-Implementasi, Dataset, Model Pra-Terlatih] | Caffe+Matlab |
| Cdnet | CNN; Siam; Data multimodal; Titik data cloud | Mendeteksi perubahan bangunan antara pemindaian laser di udara dan data fotogrametri, RS, 2019. [kertas], [kode] | Pytorch |
| Sccn | Ae (dae); Tanpa pengawasan; Heterogen; RS optik; Sar | Jaringan kopling konvolusional yang mendalam untuk deteksi perubahan berdasarkan gambar optik dan radar heterogen, TNNLS, 2018. [Kertas] [Kode Imlementasi Re-Implementasi] | TensorFlow 2.0 |
| CGAN | Gan (gan bersyarat); Heterogen; RS optik; Sar | Jaringan permusuhan bersyarat untuk deteksi perubahan dalam gambar heterogen, GRSL, 2019. [Kertas] [Kode Implementasi Re-Implementasi] | TensorFlow 2.0 |
| Dasnet | CNN (VGG16); Siam; Mekanisme perhatian; Rs optik | DASNET: Jaringan Siam yang sepenuhnya penuh perhatian sepenuhnya untuk deteksi perubahan gambar satelit resolusi tinggi, Arxiv, 2020. [Kertas] [Kode, Dataset, Model Pra-Terlatih] | Pytorch+Python3.6 |
| UNETLSTM | CNN (UNET); RNN (LSTM); Model terintegrasi; Rs optik | Mendeteksi perubahan perkotaan dengan jaringan saraf berulang dari data Sentinel-2 multitemporal, Igarss, 2019. [Kertas] [Kode, Dataset, Model Pra-Terlatih] dan [Kode] | Pytorch+Python3.6 |
| Cdmi-net | CNN (UNET); Sialan murni; Pembelajaran beberapa contoh; Pemetaan tanah longsor; Rs optik | Deep Multiple Instance Learning for Longslide Mapping, GRSL, 2020. [Kertas] [Kode, model pra-terlatih] | Pytorch+Python3.6 |
| Dsfanet | Dnn; Tanpa pengawasan; Pra-klasifikasi; Analisis fitur yang lambat; Rs optik | Analisis fitur lambat yang tidak diawasi untuk deteksi perubahan dalam gambar penginderaan jarak jauh multi-temporal, TGRS, 2019. [Kertas] [kode, dataset] | TensorFlow 1.7 |
| CD-UNET ++ | CNN (peningkatan UNET ++); Klasifikasi Langsung; Rs optik | Deteksi perubahan end-to-end untuk gambar satelit resolusi tinggi menggunakan peningkatan UNET ++, RS, 2019. [kertas] [Kode] | TensorFlow+keras |
| Siamesenet | CNN (VGG16); Sialan murni; Rs optik | Jaringan Siam dengan fitur multi-level untuk deteksi perubahan berbasis tambalan dalam citra satelit, GlobalSip, 2018. [kertas] [kode, dataset] | TensorFlow+keras |
| Re3fcn | CNN (Konvlstm); PCA; Konvolusi 3D; Perubahan multi-kelas; RS optik; Hyperspectral | Ubah deteksi dalam gambar hiperspektral menggunakan jaringan konvolusional 3D yang berulang, RS, 2018. [kertas] [kode, dataset] | TensorFlow+keras |
| FC-EF, FC-SIAM-CONC, FC-SIAM-DIFF | CNN (UNET); Sialan murni; Rs optik | Jaringan Siam Convolutional sepenuhnya untuk Deteksi Perubahan, ICIP, 2018. [Kertas] [Kode, Dataset] | Pytorch |
| Cosimnet | CNN (Deeplab V2); Sialan murni; Streetview | Belajar Mengukur Perubahan: Jaringan metrik Siam yang sepenuhnya konvolusional untuk deteksi perubahan adegan, Arxiv, 2018. [kertas] [kode, dataset, model pra-terlatih] | Pytorch+Python2.7 |
| Topeng R-CNN | Topeng R-CNN (ResNet-101); Transfer Learning; Pasca-klasifikasi; Rs optik | Deteksi Segmentasi dan Perubahan Kumuh: Pendekatan Pembelajaran yang mendalam, NIPS, 2018. [Kertas] [Kode, Dataset, Model Pra-Terlatih] | TensorFlow+keras |
| Caffenet | CNN (Caffenet); Tanpa pengawasan; Transfer Learning; Rs optik | Fitur Jaringan Saraf Convolutional Berbasis Deteksi Perubahan dalam Gambar Satelit, IWPR, 2016. [Kertas] [Kode, Dataset] | TensorFlow+keras |
| Cwnn | CNN (CWNN); Tanpa pengawasan; Pra-klasifikasi; Sar | Deteksi Perubahan Es Laut dalam Gambar SAR berdasarkan Jaringan Saraf Convolutional-Wavelet, GRSL, 2019. [Kertas] [Kode, Dataset] | Matlab |
| Mlfn | CNN (Densenet); Transfer Learning; Sar | Transfer Deep Learning untuk Deteksi Perubahan Es Laut dari Gambar Radar Apertur Sintetis, GRSL, 2019. [Kertas] [Kode, Dataset] | Caffe+Matlab |
| Garborpcanet | CNN (PCANET); Tanpa pengawasan; Pra-klasifikasi; Wavelet Gabor; Sar | Deteksi perubahan otomatis dalam gambar radar bukaan sintetis berdasarkan PCANET, GRSL, 2016. [Kertas] [kode, dataset] | Matlab |
| MS-capsnet | CNN (MS-capsnet); Kapsul; Mekanisme perhatian; Konvolusi fusi adaptif; Sar | Ubah deteksi dalam gambar SAR berdasarkan jaringan kapsul multiskala, GRSL, 2020. [Kertas] [kode, dataset] | Matlab+keras2.16 |
| Dcnet | CNN; Tanpa pengawasan; Pra-klasifikasi; Sar | Ubah deteksi dari gambar radar aperture sintetis berdasarkan jaringan kaskade berbasis bobot saluran, JStars, 2019. [kertas] [kode, dataset] | Caffe |
| Changenet | CNN; Siam; Streetview | ChangeNet: Arsitektur Pembelajaran yang mendalam untuk Deteksi Perubahan Visual, ECCV, 2018. [Kertas] [Kode, Dataset] | Pytorch |
| Orang lain akan segera ditambahkan! | |||
| Metode | Kata kunci | Publikasi | Pelaksanaan |
|---|---|---|---|
| Beberapa metode klasik | CVA; DPCA; Perbedaan gambar; Rasio gambar; Regresi gambar; Ir-Mad; GILA; Pcakmeans; PCDA; Kmeans; Otsu; Ambang batas tetap | Kotak alat untuk deteksi perubahan penginderaan jarak jauh. [kode] | Matlab |
| MATLAB Toolbox Change Detection | Ir-Mad; It-pca; Erm; ICM | Kotak alat untuk analisis deteksi perubahan tanpa pengawasan, IJRS, 2016. [kertas] [kode] | Matlab |
| RFR, SVR, GPR | Tanpa pengawasan; Regresi gambar; Heterogen; RS optik; Sar | Regresi gambar tanpa pengawasan untuk deteksi perubahan heterogen, TGRS, 2019. [kertas] [Kode] | Matlab |
| HPT | Tanpa pengawasan; Transformasi; Heterogen; RS optik; Sar | Ubah Deteksi dalam Gambar Penginderaan Jauh Heterogen melalui Transformasi Pixel Homogen, Tip, 2018. [Kertas] [Kode Implementasi Re-Implementasi] | Matlab |
| KCCA | Analisis korelasi kanonik; Sross-sensor; Rs optik | Penyelarasan spektral gambar silang multi-temporal dengan analisis korelasi kernel otomatis, IJPRS, 2015. [Kertas] [Kode] | Matlab |
| Ker. Diff. Rbf | Tanpa pengawasan; K-means; Rs optik | Deteksi Perubahan Tanpa Diawasi dengan Kernel, GRSL, 2012. [Kertas] [Kode] | Matlab |
| FDA-RM | Berbasis di; Analisis domain frekuensi; Multigraf acak; Sar | Deteksi perubahan gambar radar bukaan sintetis berdasarkan analisis domain frekuensi dan multigraf acak, Jars, 2018. [Kertas] [Kode] | Matlab |
| CD-NR-ELM | Berbasis di; Pra-klasifikasi; Mesin belajar yang ekstrem; Sar | Ubah deteksi dari gambar radar bukaan sintetis berdasarkan rasio berbasis lingkungan dan mesin pembelajaran ekstrem, Jars, 2016. [Kertas] [kode, dataset] | Matlab |
| Tidak ada | Rasio kemungkinan; Statistik uji; Sar | Ubah Deteksi dalam Gambar SAR Polarimetrik, 2015. [Laporan] [Kode] | Python |
| PCA K-Means | Tanpa pengawasan; Berbasis di; PCA; K berarti; Rs optik | Deteksi perubahan yang tidak diawasi dalam gambar satelit menggunakan analisis komponen utama dan pengelompokan K-means, GRSL, 2009. [Kertas] [Kode Imlementasi Re-Imlementasi, Dataset] atau [Kode Imlementasi Re-Implement] | Matlab |
| PTCD | Tensor; Rs optik hiperspektral | Detektor dekomposisi dan rekonstruksi tiga-orde tiga-orde untuk deteksi perubahan hiperspektral yang tidak diawasi. JStars, 2021. [Kertas] [kode, dataset] | Matlab |
| GBF-CD | Fusi data; Grafik; Em; Ki; | Fusi data berbasis grafik diterapkan pada: Perubahan deteksi dan estimasi biomassa pada tanaman padi. Remote Sensing, 2020 [kertas] [kode, dataset] | Matlab |
| Orang lain akan segera ditambahkan! | |||
Saat ini, ada beberapa set data yang tersedia secara bebas untuk deteksi perubahan, yang dapat digunakan sebagai dataset benchmark untuk pelatihan AI dan evaluasi akurasi dalam penelitian di masa depan. Informasi terperinci disajikan pada Tabel 3.
| Jenis | Kumpulan data | Keterangan |
|---|---|---|
| Rs optik | DSIFN Dataset [25] | 6 gambar resolusi tinggi dua-temporal dari Google Earth. Ada 3600 pasangan gambar dengan ukuran 512 × 512 untuk pelatihan, 340 untuk validasi, dan 48 untuk tes. [Unduh] |
| S2MTCP [26] | 1520 Sentinel-2 Level 1C Pasangan Fokus pada daerah perkotaan di seluruh dunia, dengan resolusi spasial 10m dan ukuran 600x600 piksel. Koreksi geometris atau radiometrik tidak dilakukan. [Unduh] | |
| Sysu-CD [27] | 20000 pasang gambar udara 0,5 m dari ukuran 256 × 256 diambil antara tahun 2007 dan 2014 di Hong Kong, termasuk 6 jenis perubahan: (a) bangunan perkotaan yang baru dibangun; (B) pelebaran pinggiran kota; (c) dasar sebelum konstruksi; (d) perubahan vegetasi; (e) ekspansi jalan; (f) Konstruksi laut. [Unduh] | |
| S2Looking [28] | Dataset Deteksi Perubahan Bangunan terdiri dari 5000 pasangan gambar bitemporal terdaftar (ukuran 1024*1024, 0,5 ~ 0,8 m/piksel) dari daerah pedesaan di seluruh dunia dan lebih dari 65.920 contoh perubahan beranotasi, secara terpisah menunjukkan bangunan yang baru dibangun dan diruntuhkan [Unduh] [Unduh] [Unduh] | |
| Dataset gambar sintetis dan nyata [29] | Basis data berisi 12.000 tiga kali lipat gambar sintetis tanpa pergeseran objek, 12.000 tiga kali lipat gambar model dengan pergeseran objek dan 16.000 tiga fragmen gambar penginderaan jauh nyata. Tes yang dilakukan telah menunjukkan bahwa CNN yang diusulkan menjanjikan dan cukup efisien dalam deteksi perubahan pada gambar sintetis dan nyata [unduh] | |
| Dataset Deteksi Perubahan Semantik (Kedua) [24] | Dataset deteksi perubahan semantik yang beranotasi piksel, termasuk 4662 pasang gambar udara dengan 512 x 512 piksel dari beberapa platform dan sensor, yang meliputi Hangzhou, Chengdu, dan Shanghai. Ini fokus pada 6 kelas penutupan lahan utama, yaitu, permukaan tanah yang tidak bervegetasi, pohon, vegetasi rendah, air, bangunan dan taman bermain, yang sering terlibat dalam perubahan geografis alami dan buatan manusia. [Unduh] | |
| Dataset Deteksi Perubahan Hiperspektral [1] | 3 adegan hiperspektral yang berbeda yang diperoleh oleh Aviris atau Sensor Hyperion, dengan 224 atau 242 pita spektral, berlabel 5 jenis perubahan yang terkait dengan transisi tanaman pada tingkat piksel. [Unduh] | |
| Dataset HSIS Sungai [2] | 2 HSIS di Provinsi Jiangsu, Cina, dengan 198 band, diberi label berubah dan tidak berubah di tingkat piksel. [Unduh] | |
| HRSCD [3] | 291 pasangan yang terdaftar dari gambar udara RGB, dengan perubahan tingkat piksel dan anotasi tutupan lahan, memberikan label perubahan tingkat hierarkis, misalnya, label level 1 mencakup lima kelas: tidak ada informasi, permukaan buatan, area pertanian, hutan, lahan basah, dan air. [Unduh] | |
| WHU membangun dataset [4] | Gambar udara 2-periode yang berisi 12.796 bangunan, disediakan bersama dengan peta vektor dan raster bangunan. [Unduh] | |
| Benchmark Perubahan Udara Sztaki [5, 6] | 13 Pasangan gambar udara dengan resolusi spasial 1,5 M, diberi label sebagai diubah dan tidak berubah pada tingkat piksel. [Unduh] | |
| Oscd [7] | 24 pasang gambar multispektral yang diperoleh oleh Sentinel-2, diberi label berubah dan tidak berubah pada tingkat piksel. [Unduh] | |
| Ubah Dataset Deteksi [8] | 4 pasang gambar multispektral dengan resolusi spasial yang berbeda, diberi label berubah dan tidak berubah pada tingkat piksel. [Unduh] | |
| Mts-wh [9] | 2 Gambar VHR ukuran besar yang diperoleh oleh sensor Ikonos, dengan 4 pita dan resolusi spasial 1 m, berlabel 5 jenis perubahan (yaitu, parkir, rumah yang jarang, wilayah perumahan, dan wilayah vegetasi) di tingkat pemandangan. [Unduh] | |
| ABCD [10] | 16.950 pasang gambar udara RGB untuk mendeteksi bangunan yang dicuci oleh tsunami, berlabel bangunan yang rusak di tingkat adegan. [Unduh] | |
| XBD [11] | Citra satelit pra dan pasca-bencana untuk penilaian kerusakan bangunan, dengan lebih dari 850.000 poligon bangunan dari 6 jenis bencana, diberi label pada tingkat piksel dengan 4 skala kerusakan. [Unduh] | |
| AICD [12] | 1000 pasang gambar udara sintetis dengan perubahan buatan yang dihasilkan dengan mesin rendering, diberi label diganti dan tidak berubah pada tingkat piksel. [Unduh] | |
| Database gambar sintetis dan nyata [13] | 24.000 gambar sintetis dan 16.000 fragmen gambar RS yang bervariasi musim yang diperoleh oleh Google Earth, diberi label sebagai perubahan dan tidak berubah pada tingkat piksel. [Unduh] | |
| Levir-CD [14] | 637 sangat resolusi tinggi (VHR, 0,5m/piksel) Google Earth (GE) Patch gambar dengan ukuran 1024 × 1024 piksel dan berisi total 31.333 instance bangunan perubahan individu, diberi label sebagai diubah dan tidak berubah pada tingkat piksel. [Unduh] | |
| Dataset Bastrop Fire [21] | 4 gambar yang diperoleh oleh berbagai sensor di atas Bastrop County, Texas (AS). Ini disusun oleh Landsat 5 TM sebagai gambar pra-peristiwa dan Landsat 5 TM, EO-1 Ali dan Landsat 8 sebagai gambar pasca event, diberi label berubah dan tidak berubah pada tingkat piksel, terutama disebabkan oleh kebakaran hutan. [Unduh] | |
| Set Data Google [23] | 19 gambar VHR yang bervariasi musim berpasangan dengan 3 pita merah, hijau, dan biru, resolusi spasial 0,55 m, dan ukuran mulai dari 1006 × 1168 piksel hingga 4936 × 5224 piksel. Perubahan gambar termasuk perairan, jalan, lahan pertanian, tanah telanjang, hutan, bangunan, kapal, dll. Bangunan membentuk perubahan utama. Diakuisisi selama periode antara 2006 dan 2019, yang mencakup daerah pinggiran kota Guangzhou, Cina. [Unduh] | |
| RS & SAR Optik | Dataset California [22] | 3 gambar, termasuk gambar RS yang ditangkap oleh Landsat 8 dengan 9 saluran pada 2017, gambar SAR yang ditangkap oleh Sentinel-1a (direkam dalam polarisasi VV dan VH) setelah terjadinya banjir, dan peta kebenaran tanah. [Unduh] |
| Dataset CD Homogen [30] | 6 Skenario: Skenario 1 dengan dua set data polarisasi tunggal; Skenario 2 dengan dua set data Polsar; Skenario 3 dengan dua set data gambar optik. Heterogeneouscd: Skenario 4 dengan dua dataset SAR/optik (multispektral); Skenario 5 dengan dua set data multispektral dari berbagai band yang diperoleh dari sensor yang berbeda; Skenario 6 dengan set data twopolsar/optik (multispektral). [Unduh] | |
| Pemandangan jalanan | VL-CMU-CD [15] | 1362 Pasangan RGB yang terdaftar bersama, gambar kedalaman berlabel perubahan kebenaran tanah (misalnya, bin, tanda, kendaraan, sampah, konstruksi, kerucut lalu lintas, orang/siklus, penghalang) dan masker langit di tingkat piksel. [Unduh] |
| PCD 2015 [16] | 200 pasangan gambar panorama dalam subset "tsunami" dan "GSV", dengan ukuran 224 × 1024 piksel, label diubah dan tidak berubah pada tingkat piksel. [Unduh] | |
| Ubah Dataset Deteksi [17] | Urutan gambar jalan-jalan kota yang ditangkap oleh kamera yang dipasang di kendaraan pada dua titik waktu yang berbeda, dengan ukuran 5000 × 2500 piksel, berlabel perubahan struktur adegan 3D pada level piksel. [Unduh] | |
| Cv | CDNET 2012 [18] | 6 Kategori video dengan 4 hingga 6 urutan video di setiap kategori, dan gambar tanah berisi 5 label yaitu: statis, bayangan keras, wilayah yang menarik, gerakan yang tidak diketahui (biasanya di sekitar objek bergerak, karena semi-transparansi dan gerak blur), dan gerakan. [Unduh] |
| CDNET 2014 [19,20] | 22 Video Tambahan (∼70; 000 frame beranotasi bijaksana piksel) mencakup 5 kategori baru yang menggabungkan tantangan yang dihadapi dalam banyak pengaturan pengawasan, dan menyediakan kamera yang realistis dan ditangkap (tanpa CGI), beragam video indoor dan outdoor seperti CDNET 2012. [Unduh]] | |
| Changesim [31] | Dataset yang menantang yang ditujukan untuk deteksi perubahan adegan online dan banyak lagi, mengumpulkan dalam lingkungan simulasi foto-realistis dengan adanya variasi lingkungan yang tidak ditargetkan, seperti kekeruhan udara dan perubahan kondisi cahaya, serta perubahan objek yang ditargetkan dalam lingkungan indoor industri. [Unduh] | |
| Lebih banyak dataset video | ||
Dapat dilihat bahwa jumlah dataset terbuka yang dapat digunakan untuk tugas deteksi perubahan kecil, dan beberapa di antaranya memiliki ukuran data kecil. Saat ini, masih ada kekurangan kumpulan data SAR besar yang dapat digunakan untuk pelatihan AI. Sebagian besar metode deteksi perubahan berbasis AI didasarkan pada beberapa set data SAR yang berisi jenis perubahan yang terbatas, misalnya, dataset Bern, dataset Ottawa, dataset Sungai Kuning, dan dataset Meksiko, yang tidak dapat memenuhi kebutuhan deteksi perubahan di daerah dengan tutupan lahan yang kompleks dan berbagai jenis perubahan. Selain itu, label mereka tidak tersedia secara bebas. Kumpulan data jalanan umum umumnya digunakan untuk penelitian metode deteksi perubahan berbasis AI dalam visi komputer (CV). Dalam CV, deteksi perubahan berdasarkan gambar atau video juga merupakan bidang penelitian panas, dan ide dasarnya konsisten dengan itu berdasarkan data RS. Oleh karena itu, selain set data gambar tampilan jalan, beberapa dataset video di CV juga dapat digunakan untuk penelitian tentang metode deteksi perubahan berbasis AI, seperti CDNET 2012 dan CDNET 2014.
Pengembangan teknik deteksi perubahan berbasis AI telah sangat memfasilitasi banyak aplikasi dan telah meningkatkan otomatisasi dan kecerdasan mereka. Sebagian besar deteksi perubahan berbasis AI menghasilkan peta biner, dan studi ini hanya fokus pada algoritma itu sendiri, tanpa bidang aplikasi tertentu. Oleh karena itu, dapat dipertimbangkan bahwa mereka umumnya cocok untuk deteksi perubahan LULC. Di bagian ini, kami fokus pada teknik yang terkait dengan aplikasi spesifik, dan mereka dapat dibagi secara luas menjadi empat kategori:
Kami memberikan gambaran tentang berbagai teknik deteksi perubahan dalam literatur untuk kategori aplikasi yang berbeda. Pekerjaan dan tipe data yang terkait dengan aplikasi ini tercantum dalam Tabel 4.
| Aplikasi | Tipe data | Dokumen | |
|---|---|---|---|
| Konteks perkotaan | Ekspansi perkotaan | Gambar satelit | Lyu et.al (2018), Tong et.al (2007) |
| Gambar SAR | Iino et.al (2017) | ||
| Manajemen Ruang Publik | Gambar tampilan jalanan | Varghese et.al (2018) | |
| Permukaan jalan | Gambar UAV | Truong et.al (2020) | |
| Deteksi Perubahan Bangunan | Gambar udara | Ji et.al (2019), Sun et.al (2019), Nemoto et.al (2017) | |
| Gambar satelit | Huang et.al (2019), Zhu et.al (2018) | ||
| Gambar satelit/udara | Jiang et.al (2020), Ji et.al (2018), Saha et.al (2020) | ||
| Data pemindaian laser udara dan gambar udara | Zhang et.al (2019) | ||
| Gambar SAR | Jaturapitpornchai et.al (2019) | ||
| Gambar satelit dan peta GIS | Ghaffarian et.al (2019) | ||
| Sumber Daya & Lingkungan | Perubahan lingkungan yang digerakkan manusia | Gambar satelit | Chen et.al (2016) |
| Perubahan Hidro-Lingkungan | Gambar satelit | Nourani et.al (2018) | |
| Es laut | Gambar SAR | Gao et.al (2019), Gao et.al (2019) | |
| Air permukaan | Gambar satelit | Song et.al (2019), Rokni et.al (2015) | |
| Pemantauan Hutan | Gambar satelit | Khan et.al (2017), Lindquist et.al (2016), Deilmai et.al (2014), Woodcock et.al (2001), Gopal et.al (1996) | |
| Bencana alam | Pemetaan tanah longsor | Gambar udara | Fang et.al (2020), Lei et.al (2019) |
| Gambar satelit | Chen et.al (2018), Ding et.al (2016), Tarantino et.al (2006) | ||
| Penilaian kerusakan | Gambar satelit | Disebabkan oleh tsunami [Sublime et.al (2019), Singh et.al (2015)], insiden khusus [Hedjam et.al (2019)], Flood [Peng et.al (2019)], atau gempa bumi [Ji et.al (2019)]] | |
| Gambar udara | disebabkan oleh tsunami [Fujita et.al (2017)] | ||
| Gambar SAR | disebabkan oleh kebakaran [Planinšič et.al (2018)], atau gempa bumi [Saha et.al (2018)] | ||
| Gambar tampilan jalanan | disebabkan oleh tsunami [Sakurada et.al (2015)] | ||
| Gambar tampilan jalanan dan peta GIS | disebabkan oleh tsunami [Sakurada et.al (2017)] | ||
| Astronomi | Permukaan planet | Gambar satelit | Kerner et.al (2019) |
Saat ini ada sejumlah besar perangkat lunak dengan alat deteksi perubahan, dan kami memiliki ringkasan singkat tentang mereka, lihat Tabel 5.
| Jenis | Nama | Keterangan |
|---|---|---|
| Komersial | Erdas bayangkan | Memberikan nilai sebenarnya, konsolidasi penginderaan jarak jauh, fotogrametri, analisis lidar, analisis vektor dasar, dan pemrosesan radar menjadi satu produk, termasuk berbagai alat deteksi perubahan. |
| Arcgis | Ubah deteksi dapat dihitung antara dua dataset raster dengan menggunakan alat kalkulator raster atau alur kerja pembelajaran mendalam. | |
| Envi | menyediakan alat analisis deteksi perubahan dan modul pembelajaran mendalam Envi. | |
| Ecognition | dapat digunakan untuk berbagai pemetaan perubahan, dan dengan memanfaatkan teknologi pembelajaran yang mendalam dari perpustakaan Google TensorFlow ™, Ecognition memberdayakan pelanggan dengan pengenalan pola yang sangat canggih dan alat korelasi yang mengotomatiskan klasifikasi objek yang menarik untuk hasil yang lebih cepat dan lebih akurat, lebih banyak. | |
| PCI Geomatida | Menyediakan alat deteksi perubahan, dan dapat berguna dalam berbagai keadaan di mana Anda mungkin ingin menganalisis perubahan, seperti: kerusakan badai, kerusakan hutan, banjir, urban sprawl, dan banyak lagi. | |
| Sensetime | Senseremote Remote Sensing Solusi Cerdas | |
| Open source | QGIS | menyediakan banyak alat deteksi perubahan. |
| ORFEO Toolbox | Deteksi Ubah oleh Algoritma Detektor Perubahan Multivariat (MAD). | |
| Ubah kotak alat deteksi | MATLAB Toolbox untuk deteksi perubahan penginderaan jarak jauh. |
Makalah berikut bermanfaat bagi para peneliti untuk lebih memahami bidang deteksi perubahan penginderaan jauh ini, lihat Tabel 6.
| Tahun yang diterbitkan | Makalah Review |
|---|---|
| 1989 | Teknik deteksi perubahan digital menggunakan data penginderaan jarak jauh, IJRS. [kertas] |
| 2004 | Metode Deteksi Perubahan Digital dalam Pemantauan Ekosistem: Ulasan, IJRS. [kertas] |
| 2004 | Ubah Teknik Deteksi, IJRS. [kertas] |
| 2012 | Deteksi Perubahan Berbasis Objek, IJRS. [kertas] |
| 2013 | Deteksi Ubah dari gambar penginderaan jarak jauh: dari pendekatan berbasis piksel ke objek, ISPRS. [kertas] |
| 2016 | Deteksi Perubahan 3D - Lekatan dan Aplikasi, ISPRS. [kertas] |
| 2016 | Pembelajaran mendalam untuk data penginderaan jauh Tutorial teknis tentang canggih, mgrs. [kertas] |
| 2017 | Survei komprehensif pembelajaran mendalam dalam penginderaan jauh: teori, alat, dan tantangan bagi masyarakat, JRS. [kertas] |
| 2017 | Pembelajaran mendalam dalam penginderaan jauh, mgrs. [kertas] |
| 2018 | Kecerdasan komputasi dalam pemrosesan gambar penginderaan jarak jauh optik, ASOC. [kertas] |
| 2019 | Tinjauan deteksi perubahan dalam gambar hiperspektral multitemporal: teknik saat ini, aplikasi, dan tantangan, mgrs. [kertas] |
| 2019 | Pembelajaran mendalam dalam aplikasi penginderaan jauh: meta-analisis dan ulasan, ISPRS. [kertas] |
| 2020 | Pembelajaran mendalam untuk deteksi perubahan dalam gambar penginderaan jauh: tinjauan komprehensif dan meta-analisis, arxiv. [kertas] |
| 2020 | Deteksi perubahan berdasarkan kecerdasan buatan: canggih dan tantangan, Rs. [kertas] |
[1] Dataset deteksi perubahan hiperspektral. Tersedia online: https://citius.usc.es/investigacion/datasets/hyperspectral-change-detection-dataset (diakses pada 4 Mei 2020).
[2] Wang, Q.; Yuan, Z.; Du, Q.; Li, X. GetNet: Kerangka kerja CNN 2-D end-to-end umum untuk deteksi perubahan gambar hiperspektral. IEEE Trans. Geosci. Remote Sens. 2018, 57, 3–13. [Google Cendekia] [CrossRef]
[3] Daudt, RC; Le Saux, B.; Boulch, A.; Gousseau, Y. Multitask Learning untuk deteksi perubahan semantik skala besar. Komputasi Vis. Gambar dipahami. 2019, 187, 102783. [Google Cendekia] [CrossRef]
[4] Ji, S.; Wei, S.; Lu, M. Jaringan konvolusional sepenuhnya untuk ekstraksi bangunan multisource dari set data citra udara dan satelit terbuka. IEEE Trans. Geosci. Remote Sens. 2018, 57, 574–586. [Google Cendekia] [CrossRef]
[5] Benedek, C.; Sziranyi, T. Perubahan deteksi dalam gambar udara optik oleh model Markov campuran bersyarat multilayer. IEEE Trans. Geosci. Remote Sens. 2009, 47, 3416-3430. [Google Cendekia] [CrossRef]
[6] Benedek, C.; Sziranyi, T. Model Markov campuran untuk deteksi perubahan dalam foto udara dengan perbedaan waktu yang besar. Dalam Prosiding Konferensi Internasional ke -19 2008 tentang Pengakuan Pola, Tampa, FL, USA, 8–11 Desember 2008; hlm. 1–4. [Google Cendekia]
[7] Daudt, RC; Le Saux, B.; Boulch, A.; Gousseau, Y. Deteksi Perubahan Perkotaan untuk Pengamatan Bumi Multispektral Menggunakan Jaringan Saraf Konvolusional. Dalam Prosiding IGARSS 2018 IEEE International Geoscience dan Simposium Penginderaan Jauh, Valencia, Spanyol, 22–27 Juli 2018; hlm. 2115–2118. [Google Cendekia]
[8] Zhang, M.; Shi, W. Metode deteksi perubahan berbasis jaringan convolutional fitur convolutional. IEEE Trans. Geosci. Remote Sens. 2020, 1–15. [Google Cendekia] [CrossRef]
[9] Wu, C.; Zhang, L.; Zhang, L. Kerangka deteksi perubahan adegan untuk gambar penginderaan jauh multi-temporal yang sangat tinggi. Proses sinyal. 2016, 124, 184–197. [Google Cendekia] [CrossRef]
[10] Fujita, A.; Sakurada, K.; Imaizumi, T.; Ito, R.; Hikosaka, S.; Nakamura, R. Deteksi kerusakan dari gambar udara melalui jaringan saraf konvolusional. Dalam Prosiding Konferensi Internasional IAPR Kelima Belas 2017 tentang Aplikasi Visi Mesin (MVA), Nagoya Univ, Nagoya, Jepang, 08–12 Mei 2017; hlm. 5–8 [Google Cendekia]
[11] Gupta, R.; Goodman, B.; Patel, N.; Hosfelt, R.; Sajeev, S.; Heim, E.; Doshi, J.; Lucas, K.; Choset, H.; Gaston, M. Membuat XBD: Dataset untuk menilai kerusakan bangunan dari citra satelit. Dalam Prosiding Konferensi IEEE tentang Lokakarya Pengenalan Visi dan Pola Komputer, Long Beach, CA, USA, 16-20 Juni 2019; hlm. 10–17. [Google Cendekia]
[12] Bourdis, N.; Marraud, D.; Sahbi, H. Aliran optik terbatas untuk deteksi perubahan gambar udara. Dalam Prosiding IEEE International Geoscience dan Simposium Penginderaan Jauh, Vancouver, BC, Kanada, 24–29 Juli 2011; hlm. 4176–4179. [Google Cendekia] [CrossRef]
[13] Lebedev, MA; Vizilter, YV; Vygolov, OV; Knyaz, VA; Rubis, Deteksi Perubahan AY dalam gambar penginderaan jauh menggunakan jaringan permusuhan bersyarat. ISPRS INT. Lengkungan. Fotogramm. Remote Sens. Spat. Inf. Sci. 2018, 565–571. [Google Cendekia] [CrossRef]
[14] Chen, H.; Shi, Z. Metode berbasis perhatian spasial-temporal dan dataset baru untuk deteksi perubahan gambar penginderaan jauh. Remote Sensing, 12 (10), 1662. [Google Cendekia] [CrossRef]
[15] Alcantarilla, PF; Stent, S.; Ros, G.; Arroyo, R.; Gherardi, R. Street-view change detection with deconvolutional networks. Auton. Robot. 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; hlm. 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.
