Change Detection Review
1.0.0
การตรวจจับการเปลี่ยนแปลงตามข้อมูลการตรวจจับระยะไกล (RS) เป็นวิธีสำคัญในการตรวจจับการเปลี่ยนแปลงบนพื้นผิวโลกและมีการใช้งานที่หลากหลายในการวางผังเมืองการตรวจสอบด้านสิ่งแวดล้อมการตรวจสอบการเกษตรการประเมินภัยพิบัติและการแก้ไขแผนที่ ในช่วงไม่กี่ปีที่ผ่านมาเทคโนโลยีปัญญาประดิษฐ์แบบบูรณาการ (AI) ได้กลายเป็นจุดสนใจของการวิจัยในการพัฒนาวิธีการตรวจจับการเปลี่ยนแปลงใหม่ แม้ว่านักวิจัยบางคนอ้างว่าวิธีการตรวจจับการเปลี่ยนแปลงที่ใช้ AI นั้นมีประสิทธิภาพสูงกว่าวิธีการตรวจจับการเปลี่ยนแปลงแบบดั้งเดิม แต่ก็ไม่ชัดเจนว่า AI สามารถปรับปรุงประสิทธิภาพของการตรวจจับการเปลี่ยนแปลงได้อย่างไร การตรวจสอบนี้มุ่งเน้นไปที่วิธีการที่ทันสมัยแอปพลิเคชันและความท้าทายของ AI สำหรับการตรวจจับการเปลี่ยนแปลง โดยเฉพาะอย่างยิ่งกระบวนการใช้งานของการตรวจจับการเปลี่ยนแปลงที่ใช้ AI ได้รับการแนะนำเป็นครั้งแรก จากนั้นข้อมูลจากเซ็นเซอร์ที่แตกต่างกันที่ใช้สำหรับการตรวจจับการเปลี่ยนแปลงรวมถึงข้อมูล RS แบบออพติคอลข้อมูลเรดาร์รูรับแสงสังเคราะห์ (SAR) ภาพมุมมองบนถนนและข้อมูลที่แตกต่างกันรวมกันจะถูกนำเสนอและชุดข้อมูลแบบเปิดที่มีอยู่ เฟรมเวิร์กทั่วไปของวิธีการตรวจจับการเปลี่ยนแปลงที่ใช้ AI ได้รับการทบทวนและวิเคราะห์อย่างเป็นระบบและแผนการที่ไม่ได้รับการดูแลที่ใช้ในการตรวจจับการเปลี่ยนแปลงที่ใช้ AI ได้รับการวิเคราะห์เพิ่มเติม ต่อจากนั้นมีการอธิบายเครือข่ายที่ใช้กันทั่วไปใน AI สำหรับการตรวจจับการเปลี่ยนแปลง จากมุมมองที่ใช้งานได้จริงโดเมนแอปพลิเคชันของวิธีการตรวจจับการเปลี่ยนแปลงที่อิงกับ AI จะถูกจำแนกตามการบังคับใช้ ในที่สุดความท้าทายที่สำคัญและโอกาสของ AI สำหรับการตรวจจับการเปลี่ยนแปลงจะถูกกล่าวถึงและอธิบายรวมถึง (a) การประมวลผลข้อมูลขนาดใหญ่ที่ต่างกัน (b) AI ที่ไม่ได้รับการดูแลและ (c) ความน่าเชื่อถือของ AI การทบทวนนี้จะเป็นประโยชน์สำหรับนักวิจัยในการทำความเข้าใจสาขานี้
รูปที่ 2 ให้กระบวนการดำเนินการทั่วไปของการตรวจจับการเปลี่ยนแปลงที่ใช้ AI แต่โครงสร้างของโมเดล AI นั้นมีความหลากหลายและจำเป็นต้องได้รับการออกแบบอย่างดีตามสถานการณ์แอปพลิเคชันที่แตกต่างกันและข้อมูลการฝึกอบรม เป็นมูลค่าการกล่าวขวัญว่าเฟรมเวิร์กผู้ใหญ่ที่มีอยู่เช่น Tensorflow, Keras, Pytorch และ Caffe ช่วยให้นักวิจัยตระหนักถึงการออกแบบการฝึกอบรมและการปรับใช้แบบจำลอง AI ได้ง่ายขึ้นและเอกสารการพัฒนาของพวกเขาให้การแนะนำรายละเอียด
| วิธีการ | คำสำคัญ | สิ่งพิมพ์ | (อีกครั้ง) การใช้งาน |
|---|---|---|---|
| srcdnet | CNN; สยาม; ความสนใจ; ความละเอียดสูง; RS ออปติคัล | เครือข่ายการตรวจจับการเปลี่ยนแปลงที่อิงกับความละเอียดสูงพร้อมโมดูลความสนใจแบบซ้อนสำหรับภาพที่มีความละเอียดที่แตกต่างกัน, TGRS, 2021. [กระดาษ], [รหัส, ชุดข้อมูล] | Pytorch 1.2 |
| escnet | CNN; สยาม; Superpixel; RS ออปติคัล | เครือข่ายการตรวจจับการเปลี่ยนแปลงที่เพิ่มขึ้นแบบ end-to-end สำหรับภาพการตรวจจับระยะไกลที่มีความละเอียดสูงมาก tnnls, 2021. [กระดาษ], [รหัส] | Pytorch 1.3 |
| kpcamnet | CNN; สยาม; KPCA; ไม่ได้รับการดูแล; RS ออปติคัล | การตรวจจับการเปลี่ยนแปลงที่ไม่ได้รับการดูแลในภาพ VHR แบบหลายรูป | งูหลาม |
| Seco | CNN (resnet); การถ่ายโอนการเรียนรู้; RS ออปติคัล | ความคมชัดตามฤดูกาล: การฝึกอบรมล่วงหน้าที่ไม่ได้รับการดูแลจากข้อมูลการตรวจจับระยะไกลที่ไม่มีการดูแล, อาร์กซ์, 2021. [กระดาษ], [รหัส, ชุดข้อมูล] | Pytorch 1.7 |
| แคปเน็ต | เครือข่ายแคปซูล (SEGCAPS); CVA; สยาม; RS ออปติคัล | เครือข่ายแคปซูล Pseudo-Siamese สำหรับการตรวจจับภาพระยะไกลทางอากาศเปลี่ยนการตรวจจับ, GRSL, 2020. [กระดาษ 1], เปลี่ยนเครือข่ายแคปซูลสำหรับการตรวจจับการตรวจจับระยะไกลแบบออพติคอล, RS, 2021. [กระดาษ 2], [รหัส, ชุดข้อมูล] | เครส |
| bit_cd | CNN (resnet18); สยาม; ความสนใจ; หม้อแปลง; RS ออปติคัล | การตรวจจับภาพการตรวจจับภาพระยะไกลด้วยหม้อแปลง, TGRS, 2021. [กระดาษ], [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | Pytorch 1.6 |
| IAUG_CDNET | CNN (Gaugan+UNET); สยาม; กาน; ดูแล; RS ออปติคัล | การเพิ่มอินสแตนซ์ของฝ่ายตรงข้ามสำหรับการตรวจจับการเปลี่ยนแปลงอาคารในภาพการตรวจจับระยะไกล, TGRS, 2021. [กระดาษ], [รหัส, ชุดข้อมูล] | pytorch |
| ddnet | CNN; di+fcm; ไม่ได้รับการดูแล; SAR | เปลี่ยนการตรวจจับในภาพเรดาร์รูรับแสงสังเคราะห์โดยใช้เครือข่ายสองโดเมน, GRSL, 2021. [กระดาษ], [รหัส, ชุดข้อมูล] | pytorch |
| Snunet-CD | CNN (Nestedunet); สยาม; ความสนใจ; ดูแล; RS ออปติคัล | Snunet-CD: เครือข่ายสยามที่เชื่อมต่อหนาแน่นสำหรับการตรวจจับการเปลี่ยนแปลงของภาพ VHR, GRSL, 2021. [กระดาษ], [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | Pytorch 1.4 |
| DSMSCN | CNN; สยาม; หลายขนาด; ไม่ได้รับการดูแล/ดูแล; RS ออปติคัล | เครือข่ายฟิวชั่นภาพที่มีการดูแลอย่างลึกซึ้งสำหรับการตรวจจับการเปลี่ยนแปลงในภาพการตั้งฉากระยะไกลแบบสองทางที่มีความละเอียดสูง, arxiv, 2020. [กระดาษ], [รหัส, ชุดข้อมูล] | Tensorflow 1.9 |
| Siamcrnn | CNN+RNN; สยาม; หลายแหล่ง; RS ออปติคัล | เปลี่ยนการตรวจจับในภาพ Multisource VHR ผ่านเครือข่ายประสาทหลายชั้นที่เกิดขึ้นหลายชั้น, TGRS, 2020. [กระดาษ], [รหัส, ชุดข้อมูล] | Tensorflow 1.9 |
| DSIFN | CNN; กลไกความสนใจ; RS ออปติคัล | เครือข่ายฟิวชั่นภาพที่มีการดูแลอย่างลึกซึ้งสำหรับการตรวจจับการเปลี่ยนแปลงในภาพการปรับแต่งระยะไกลแบบ bi-temporal ความละเอียดสูง, ISPRS, 2020. [กระดาษ], [รหัส, ชุดข้อมูล] | Pytorch & Keras |
| ceecnet | CNN; กลไกความสนใจ; การวัดความคล้ายคลึงกัน; RS ออปติคัล | กำลังมองหาการเปลี่ยนแปลง? ม้วนลูกเต๋าและความต้องการความสนใจ, arxiv, 2020. [กระดาษ], [รหัส, ชุดข้อมูล] | mxNet + Python |
| Lamboisenet | CNN (แสง UNET ++); RS ออปติคัล | เปลี่ยนการตรวจจับในภาพดาวเทียมโดยใช้การเรียนรู้ลึกวิทยานิพนธ์หลัก [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | pytorch |
| dtcdscn | CNN; ชาวสยาม | การตรวจจับการเปลี่ยนแปลงอาคารสำหรับภาพการตรวจจับระยะไกลโดยใช้งานสองงานที่ จำกัด โมเดลเครือข่าย Siamese Convolutional ลึกที่ได้รับการตรวจสอบ [รหัสชุดข้อมูล] | pytorch |
| การวิเคราะห์ที่ดิน | CNN (UNET); การจำแนกประเภท RS ออปติคัล | การใช้ที่ดิน/การตรวจจับการเปลี่ยนแปลงที่ดินในพื้นที่ที่ได้รับผลกระทบจากพายุไซโคลนโดยใช้เครือข่ายประสาทแบบ convolutional [รายงาน], [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | tensorflow+keras |
| corrfusionNet | CNN; ระดับฉาก; สยาม; RS ออปติคัล | เครือข่ายฟิวชั่นที่ใช้สหสัมพันธ์ไปสู่การจำแนกฉากหลายช่วงเวลาและการตรวจจับการเปลี่ยนแปลงภายใต้การตรวจสอบ [รหัส, โมเดลที่ผ่านการฝึกอบรมมาก่อน], [ชุดข้อมูล] | Tensorflow 1.8 |
| sscdnet | CNN (resnet18); สยาม; การถ่ายโอนการเรียนรู้; ความหมาย; Streetview | การตรวจจับการเปลี่ยนแปลงการเปลี่ยนแปลงฉากความหมายที่ใช้ภาพเงาที่อยู่ภายใต้การดูแลอย่างอ่อน, ICRA, 2020. [กระดาษ] [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | Pytorch+Python3.6 |
| heterogeneous_cd | AE (AE-DIGANED CODE); ไม่ได้รับการดูแล; การเปลี่ยนแปลง; ต่างกัน; RS ออปติคัล | AutoEncoders ที่ได้รับการจัดแนวรหัสสำหรับการตรวจจับการเปลี่ยนแปลงที่ไม่ได้รับการดูแลในภาพการตรวจจับระยะไกลหลายรูปแบบ, arxiv, 2020. [กระดาษ] [รหัส, ชุดข้อมูล] | Tensorflow 2.0 |
| FDCNN | CNN (VGG16); การถ่ายโอนการเรียนรู้; ชาวนาบริสุทธิ์; หลายขนาด; RS ออปติคัล | ความแตกต่างของคุณสมบัติวิธีการตรวจจับการเปลี่ยนแปลงเครือข่ายโดยใช้ระบบประสาท, TGRS, 2020. [กระดาษ] [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | Caffe+Python2.7 |
| แท่นวาง | CNN (resnet-18); กลไกความสนใจ; ชาวนาบริสุทธิ์; การพึ่งพาเชิงพื้นที่ - ชั่วคราว; RS ออปติคัล | วิธีการอิงตามความสนใจเชิงพื้นที่และชุดข้อมูลใหม่สำหรับการตรวจจับการเปลี่ยนแปลงภาพระยะไกล, RS, 2020. [กระดาษ] [รหัส, ชุดข้อมูล] | Pytorch+Python3.6 |
| X-Net | CNN; ไม่ได้รับการดูแล; การเปลี่ยนแปลง; ต่างกัน; ออปติคอลอาร์เอส; SAR | การแปลภาพลึกพร้อมการเปลี่ยนแปลงที่อิงกับความสัมพันธ์ก่อนสำหรับการตรวจจับการเปลี่ยนแปลงหลายรูปแบบที่ไม่ได้รับการดูแล, 2020. [กระดาษ] [รหัส, ชุดข้อมูล] | Tensorflow 1.4 |
| เอซเน็ต | AE (ตัวเข้ารหัสวงจรที่เป็นปฏิปักษ์); ไม่ได้รับการดูแล; การเปลี่ยนแปลง; ต่างกัน; ออปติคอลอาร์เอส; SAR | การแปลภาพลึกพร้อมการเปลี่ยนแปลงที่อิงกับความสัมพันธ์ก่อนสำหรับการตรวจจับการเปลี่ยนแปลงหลายรูปแบบที่ไม่ได้รับการดูแล, 2020. [กระดาษ] [รหัส, ชุดข้อมูล] | Tensorflow 1.4 |
| vgg_lr | CNN (VGG16); การถ่ายโอนการเรียนรู้; ชาวนาบริสุทธิ์; SLIC; อันดับต่ำ; RS ออปติคัล | เปลี่ยนการตรวจจับตามคุณสมบัติที่ลึกและอันดับต่ำ, GRSL, 2017. [กระดาษ] [รหัสการใช้งานใหม่, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | Caffe+Matlab |
| cdnet | CNN; สยาม; ข้อมูลหลายรูปแบบ ข้อมูลคลาวด์ชี้ | การตรวจจับการเปลี่ยนแปลงอาคารระหว่างการสแกนเลเซอร์ในอากาศและข้อมูลโฟโตแกรมเมทริก, RS, 2019. [กระดาษ], [รหัส] | pytorch |
| SCCN | AE (Dae); ไม่ได้รับการดูแล; ต่างกัน; ออปติคอลอาร์เอส; SAR | เครือข่ายการมีเพศสัมพันธ์แบบลึกสำหรับการตรวจจับการเปลี่ยนแปลงตามภาพออปติคัลและเรดาร์ที่แตกต่างกัน, TNNLS, 2018. [กระดาษ] [รหัสการใช้งานซ้ำ] | Tensorflow 2.0 |
| cgan | กาน (มีเงื่อนไขกาน); ต่างกัน; ออปติคอลอาร์เอส; SAR | เครือข่ายฝ่ายตรงข้ามแบบมีเงื่อนไขสำหรับการตรวจจับการเปลี่ยนแปลงในภาพที่ต่างกัน, GRSL, 2019. [กระดาษ] [รหัสการใช้งานใหม่] | Tensorflow 2.0 |
| Dasnet | CNN (VGG16); สยาม; กลไกความสนใจ; RS ออปติคัล | DASNET: เครือข่ายสยามสยามแบบคู่หูสำหรับการตรวจจับการเปลี่ยนแปลงของภาพดาวเทียมความละเอียดสูง, อาร์กซิฟ, 2020. [กระดาษ] [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | Pytorch+Python3.6 |
| unetlstm | CNN (UNET); RNN (LSTM); รูปแบบรวม; RS ออปติคัล | การตรวจจับการเปลี่ยนแปลงของเมืองด้วยเครือข่ายประสาทที่เกิดขึ้นอีกจากข้อมูล Sentinel-2 Multitemporal, IGARSS, 2019. [กระดาษ] [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] และ [รหัส] | Pytorch+Python3.6 |
| CDMI-NET | CNN (UNET); ชาวนาบริสุทธิ์; การเรียนรู้หลายครั้ง การทำแผนที่ถล่ม RS ออปติคัล | การเรียนรู้หลายอินสแตนซ์หลายครั้งสำหรับการทำแผนที่ถล่ม, GRSL, 2020. [กระดาษ] [รหัส, โมเดลที่ผ่านการฝึกอบรมมาก่อน] | Pytorch+Python3.6 |
| DSFANET | DNN; ไม่ได้รับการดูแล; การจำแนกประเภทก่อน; การวิเคราะห์คุณสมบัติช้า RS ออปติคัล | การวิเคราะห์คุณสมบัติช้าที่ไม่ได้รับการสนับสนุนสำหรับการตรวจจับการเปลี่ยนแปลงในภาพการตรวจจับระยะไกลหลายระยะเวลา, TGRS, 2019. [กระดาษ] [รหัส, ชุดข้อมูล] | Tensorflow 1.7 |
| CD-Unet ++ | CNN (ปรับปรุง UNET ++); การจำแนกโดยตรง; RS ออปติคัล | การตรวจจับการเปลี่ยนแปลงแบบ end-to-end สำหรับภาพดาวเทียมความละเอียดสูงโดยใช้ UNET ++, RS, 2019. [กระดาษ] [รหัส] | tensorflow+keras |
| Siamesenet | CNN (VGG16); ชาวนาบริสุทธิ์; RS ออปติคัล | เครือข่ายสยามที่มีคุณสมบัติหลายระดับสำหรับการตรวจจับการเปลี่ยนแปลงบนแพตช์ในภาพดาวเทียม, Globalsip, 2018 [กระดาษ] [รหัส, ชุดข้อมูล] | tensorflow+keras |
| re3fcn | CNN (Convlstm); PCA; 3d Convolution; การเปลี่ยนแปลงหลายชั้น ออปติคอลอาร์เอส; เกี่ยวกับความผิดปกติ | เปลี่ยนการตรวจจับในภาพ hyperspectral โดยใช้เครือข่าย 3D ที่เกิดขึ้นอีก 3D, RS, 2018 [กระดาษ] [รหัส, ชุดข้อมูล] | tensorflow+keras |
| FC-EF, FC-SIAM-CONC, FC-SIAM-DIFF | CNN (UNET); ชาวนาบริสุทธิ์; RS ออปติคัล | เครือข่ายสยาม Siamese อย่างเต็มที่สำหรับการตรวจจับการเปลี่ยนแปลง, ICIP, 2018 [กระดาษ] [รหัส, ชุดข้อมูล] | pytorch |
| cosimnet | CNN (deeplab v2); ชาวนาบริสุทธิ์; Streetview | การเรียนรู้ที่จะวัดการเปลี่ยนแปลง: เครือข่ายการวัดสยาม Siamese อย่างสมบูรณ์สำหรับการตรวจจับการเปลี่ยนแปลงฉาก, Arxiv, 2018 [กระดาษ] [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | Pytorch+Python2.7 |
| หน้ากาก r-cnn | หน้ากาก R-CNN (resnet-101); การถ่ายโอนการเรียนรู้; การจำแนกประเภท RS ออปติคัล | การแบ่งส่วนสลัมและการตรวจจับการเปลี่ยนแปลง: วิธีการเรียนรู้ลึก, NIPS, 2018. [กระดาษ] [รหัส, ชุดข้อมูล, โมเดลที่ผ่านการฝึกอบรมก่อน] | tensorflow+keras |
| Caffenet | CNN (Caffenet); ไม่ได้รับการดูแล; การถ่ายโอนการเรียนรู้; RS ออปติคัล | คุณสมบัติการตรวจจับการเปลี่ยนแปลงของเครือข่ายการเปลี่ยนแปลงตาม Sinvolutional Neural ในภาพดาวเทียม, IWPR, 2016 [กระดาษ] [รหัส, ชุดข้อมูล] | tensorflow+keras |
| cwnn | CNN (CWNN); ไม่ได้รับการดูแล; การจำแนกประเภทก่อน; SAR | การตรวจจับการเปลี่ยนแปลงน้ำแข็งในทะเลในภาพ SAR บนพื้นฐานของเครือข่ายระบบประสาท convolutional-wavelet, GRSL, 2019. [กระดาษ] [รหัส, ชุดข้อมูล] | matlab |
| mlfn | CNN (Densenet); การถ่ายโอนการเรียนรู้; SAR | ถ่ายโอนการเรียนรู้อย่างลึกซึ้งสำหรับการตรวจจับการเปลี่ยนแปลงน้ำแข็งทะเลจากภาพเรดาร์รูรับแสงสังเคราะห์, GRSL, 2019. [กระดาษ] [รหัส, ชุดข้อมูล] | Caffe+Matlab |
| Garborpcanet | CNN (PCAnet); ไม่ได้รับการดูแล; การจำแนกประเภทก่อน; Gabor Wavelets; SAR | การตรวจจับการเปลี่ยนแปลงอัตโนมัติในภาพเรดาร์รูรับแสงสังเคราะห์ตาม PCAnet, GRSL, 2016. [กระดาษ] [รหัส, ชุดข้อมูล] | matlab |
| ms-capsnet | CNN (MS-CAPSNET); แคปซูล; กลไกความสนใจ; การปรับตัวแบบฟิวชั่นแบบปรับตัว; SAR | เปลี่ยนการตรวจจับในภาพ SAR ที่ใช้เครือข่ายแคปซูล Multiscale, GRSL, 2020. [กระดาษ] [รหัส, ชุดข้อมูล] | Matlab+Keras2.16 |
| DCNET | CNN; ไม่ได้รับการดูแล; การจำแนกประเภทก่อน; SAR | เปลี่ยนการตรวจจับจากภาพเรดาร์รูรับแสงสังเคราะห์โดยใช้เครือข่ายคาสเคดที่มีน้ำหนักตามถ่วงน้ำหนัก, JSTARS, 2019. [กระดาษ] [รหัส, ชุดข้อมูล] | คาเฟอีน |
| Changenet | CNN; สยาม; Streetview | Changenet: สถาปัตยกรรมการเรียนรู้อย่างลึกซึ้งสำหรับการตรวจจับการเปลี่ยนแปลงด้วยภาพ, ECCV, 2018 [กระดาษ] [รหัส, ชุดข้อมูล] | pytorch |
| คนอื่นจะเพิ่มเร็ว ๆ นี้! | |||
| วิธีการ | คำสำคัญ | สิ่งพิมพ์ | การดำเนินการ |
|---|---|---|---|
| วิธีการคลาสสิกหลายวิธี | CVA; DPCA; ภาพที่แตกต่างกัน; อัตราส่วนภาพ; การถดถอยของภาพ ir-mad; โกรธ; pcakmeans; PCDA; Kmeans; Otsu; เกณฑ์คงที่ | กล่องเครื่องมือสำหรับการตรวจจับการตรวจจับการสำรวจระยะไกล [รหัส] | matlab |
| การตรวจจับการเปลี่ยนแปลงกล่องเครื่องมือ MATLAB | ir-mad; IT-PCA; Erm; ICM | กล่องเครื่องมือสำหรับการวิเคราะห์การตรวจจับการเปลี่ยนแปลงที่ไม่ได้รับการดูแล, IJRS, 2016. [กระดาษ] [รหัส] | matlab |
| RFR, SVR, GPR | ไม่ได้รับการดูแล; การถดถอยของภาพ ต่างกัน; ออปติคอลอาร์เอส; SAR | การถดถอยภาพที่ไม่ได้รับการดูแลสำหรับการตรวจจับการเปลี่ยนแปลงที่แตกต่างกัน, TGRS, 2019. [กระดาษ] [รหัส] | matlab |
| HPT | ไม่ได้รับการดูแล; การเปลี่ยนแปลง; ต่างกัน; ออปติคอลอาร์เอส; SAR | เปลี่ยนการตรวจจับในภาพการตรวจจับระยะไกลที่ต่างกันผ่านการแปลงพิกเซลที่เป็นเนื้อเดียวกัน, TIP, 2018. [กระดาษ] [รหัสการใช้งานใหม่] | matlab |
| KCCA | การวิเคราะห์สหสัมพันธ์ที่เป็นที่ยอมรับ ข้ามเซ็นเซอร์; RS ออปติคัล | การจัดตำแหน่งสเปกตรัมของภาพข้ามเซ็นเซอร์หลายตัวด้วยการวิเคราะห์สหสัมพันธ์เคอร์เนลอัตโนมัติ, IJPRS, 2015. [กระดาษ] [รหัส] | matlab |
| Ker. ความแตกต่าง RBF | ไม่ได้รับการดูแล; k-mean; RS ออปติคัล | การตรวจจับการเปลี่ยนแปลงที่ไม่ได้รับการดูแลด้วยเคอร์เนล, GRSL, 2012 [กระดาษ] [รหัส] | matlab |
| FDA-RM | DI-based; การวิเคราะห์โดเมนความถี่ แบบสุ่ม multigraphs; SAR | การตรวจจับการเปลี่ยนแปลงภาพเรดาร์รูรับแสงสังเคราะห์ขึ้นอยู่กับการวิเคราะห์โดเมนความถี่และการสุ่มหลายตัว, ขวด, 2018. [กระดาษ] [รหัส] | matlab |
| CD-NR-ELM | DI-based; การจำแนกประเภทก่อน; เครื่องเรียนรู้ที่รุนแรง SAR | เปลี่ยนการตรวจจับจากภาพเรดาร์รูรับแสงสังเคราะห์ตามอัตราส่วนตามพื้นที่ใกล้เคียงและเครื่องการเรียนรู้ที่รุนแรง, ขวด, 2016 [กระดาษ] [รหัส, ชุดข้อมูล] | matlab |
| ไม่มี | อัตราส่วนความน่าจะเป็น สถิติการทดสอบ SAR | เปลี่ยนการตรวจจับในภาพ Polarimetric SAR, 2015. [รายงาน] [รหัส] | งูหลาม |
| PCA k-means | ไม่ได้รับการดูแล; DI-based; PCA; K หมายถึง; RS ออปติคัล | การตรวจจับการเปลี่ยนแปลงที่ไม่ได้รับการดูแลในภาพดาวเทียมโดยใช้การวิเคราะห์ส่วนประกอบหลักและการจัดกลุ่ม k-mean, GRSL, 2009. [กระดาษ] [รหัสการใช้งานใหม่, ชุดข้อมูล] หรือ [รหัสการใช้งานใหม่] | matlab |
| PTCD | เทนเซอร์; Hyperspectral Optical Rs | การสลายตัวของ Tucker สามลำดับและเครื่องตรวจจับการสร้างใหม่สำหรับการตรวจจับการเปลี่ยนแปลงการเปลี่ยนแปลง hyperspectral ที่ไม่ได้รับการดูแล Jstars, 2021. [กระดาษ] [รหัส, ชุดข้อมูล] | matlab |
| GBF-CD | ข้อมูลฟิวชั่น; กราฟ; em; Ki; | ฟิวชั่นข้อมูลที่ใช้กราฟใช้กับ: การตรวจจับการเปลี่ยนแปลงและการประมาณค่าชีวมวลในพืชข้าว การสำรวจระยะไกล, 2020 [กระดาษ] [รหัส, ชุดข้อมูล] | matlab |
| คนอื่นจะเพิ่มเร็ว ๆ นี้! | |||
ปัจจุบันมีชุดข้อมูลที่มีอยู่อย่างอิสระสำหรับการตรวจจับการเปลี่ยนแปลงซึ่งสามารถใช้เป็นชุดข้อมูลมาตรฐานสำหรับการฝึกอบรม AI และการประเมินความแม่นยำในการวิจัยในอนาคต ข้อมูลรายละเอียดจะถูกนำเสนอในตารางที่ 3
| พิมพ์ | ชุดข้อมูล | คำอธิบาย |
|---|---|---|
| RS ออปติคัล | ชุดข้อมูล DSIFN [25] | 6 ภาพความละเอียดสูง Bi-temporal จาก Google Earth มี 3600 ภาพคู่ที่มีขนาด 512 × 512 สำหรับการฝึกอบรม 340 สำหรับการตรวจสอบและ 48 สำหรับการทดสอบ [ดาวน์โหลด] |
| S2MTCP [26] | 1520 Sentinel-2 ระดับ 1C ภาพคู่มุ่งเน้นไปที่เขตเมืองทั่วโลกด้วยความละเอียดเชิงพื้นที่ 10M และขนาด 600x600 พิกเซล การแก้ไขทางเรขาคณิตหรือการแผ่รังสีไม่ได้ดำเนินการ [ดาวน์โหลด] | |
| Sysu-CD [27] | ภาพทางอากาศ 0.5 ม. คู่ขนาด 256 × 256 ที่ถ่ายระหว่างปี 2550 และ 2557 ในฮ่องกงรวมถึง 6 ประเภทการเปลี่ยนแปลง: (a) อาคารเมืองที่สร้างขึ้นใหม่ (b) การขยายตัวของชานเมือง (c) รากฐานก่อนการก่อสร้าง (d) การเปลี่ยนแปลงของพืช (e) การขยายถนน (f) การก่อสร้างทะเล [ดาวน์โหลด] | |
| S2 กำลังมองหา [28] | ชุดข้อมูลการตรวจจับการเปลี่ยนแปลงอาคารประกอบด้วยคู่ภาพ bitemporal ที่ลงทะเบียน 5,000 รายการ (ขนาด 1024*1024, 0.5 ~ 0.8 m/พิกเซล) ของพื้นที่ชนบททั่วโลกและมากกว่า 65,920 การเปลี่ยนแปลงที่มีคำอธิบาย | |
| ชุดข้อมูลภาพสังเคราะห์และภาพจริง [29] | ฐานข้อมูลมีภาพสังเคราะห์ 12,000 ภาพโดยไม่มีการเปลี่ยนวัตถุภาพโมเดล 12,000 ภาพที่มีการเปลี่ยนวัตถุและชิ้นส่วนของภาพการตรวจจับระยะไกลที่แท้จริง 16,000 ภาพ การทดสอบที่ดำเนินการได้แสดงให้เห็นว่า CNN ที่เสนอนั้นมีแนวโน้มและมีประสิทธิภาพเพียงพอในการตรวจจับการเปลี่ยนแปลงบนภาพสังเคราะห์และภาพจริง [ดาวน์โหลด] | |
| ชุดข้อมูลการตรวจจับการเปลี่ยนแปลงความหมาย (ที่สอง) [24] | ชุดข้อมูลการตรวจจับการเปลี่ยนแปลงความหมายระดับพิกเซลระดับพิกเซลรวมถึงภาพทางอากาศ 4662 คู่ด้วยพิกเซล 512 x 512 จากแพลตฟอร์มและเซ็นเซอร์หลายแห่งครอบคลุม Hangzhou, Chengdu และ Shanghai มันมุ่งเน้นไปที่ 6 ชั้นเรียนหลักที่ครอบคลุมเช่นพื้นผิวดินที่ไม่ได้รับการขนไม้ต้นไม้พืชต่ำน้ำอาคารและสนามเด็กเล่นที่มีส่วนร่วมในการเปลี่ยนแปลงทางภูมิศาสตร์ตามธรรมชาติและที่มนุษย์สร้างขึ้น [ดาวน์โหลด] | |
| ชุดข้อมูลการตรวจจับการเปลี่ยนแปลงของ Hyperspectral [1] | 3 ฉาก hyperspectral ที่แตกต่างกันที่ได้รับจากเซ็นเซอร์ Aviris หรือ Hyperion โดยมีแถบสเปกตรัม 224 หรือ 242 แถบมีการเปลี่ยนแปลง 5 ประเภทที่เกี่ยวข้องกับการเปลี่ยนพืชในระดับพิกเซล [ดาวน์โหลด] | |
| ชุดข้อมูล River HSIS [2] | 2 HSIS ในมณฑลเจียงซูประเทศจีนมีวงดนตรี 198 วงระบุว่ามีการเปลี่ยนแปลงและไม่เปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| HRSCD [3] | 291 คู่ที่ลงทะเบียนร่วมกันของภาพทางอากาศ RGB ที่มีการเปลี่ยนแปลงระดับพิกเซลและคำอธิบายประกอบปกที่ดินให้บริการฉลากการเปลี่ยนแปลงระดับลำดับชั้นตัวอย่างเช่นป้ายระดับ 1 ประกอบด้วยห้าชั้นเรียน: ไม่มีข้อมูลพื้นผิวเทียมพื้นที่เกษตรกรรมป่าพื้นที่ชุ่มน้ำและน้ำ [ดาวน์โหลด] | |
| ชุดข้อมูลการสร้าง whu [4] | ภาพทางอากาศ 2 ช่วงเวลาที่มีอาคาร 12,796 แห่งจัดเตรียมพร้อมกับการสร้างเวกเตอร์และแผนที่แรสเตอร์ [ดาวน์โหลด] | |
| Sztaki Air Change Benchmark [5, 6] | 13 คู่ภาพทางอากาศที่มีความละเอียดเชิงพื้นที่ 1.5 ม. ระบุว่ามีการเปลี่ยนแปลงและไม่เปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| oscd [7] | 24 ภาพหลายภาพที่ได้รับจาก Sentinel-2 ซึ่งมีป้ายกำกับว่ามีการเปลี่ยนแปลงและไม่เปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| เปลี่ยนชุดข้อมูลการตรวจจับ [8] | 4 คู่ของภาพหลายภาพที่มีความละเอียดเชิงพื้นที่ที่แตกต่างกันระบุว่ามีการเปลี่ยนแปลงและไม่เปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| MTS-WH [9] | 2 ภาพ VHR ขนาดใหญ่ที่ได้รับจากเซ็นเซอร์ Ikonos มี 4 แถบและความละเอียดเชิงพื้นที่ 1 เมตรมีการเปลี่ยนแปลง 5 ประเภท (เช่นที่จอดรถบ้านเบาบางภูมิภาคที่อยู่อาศัยและภูมิภาคพืชพรรณ) ในระดับที่เกิดเหตุ [ดาวน์โหลด] | |
| ABCD [10] | ภาพทางอากาศ RGB 16,950 คู่สำหรับการตรวจจับอาคารที่ถูกล้างโดยสึนามิซึ่งเป็นอาคารที่เสียหายในระดับที่เกิดเหตุ [ดาวน์โหลด] | |
| xbd [11] | อิมเมจดาวเทียมก่อนและหลังเกิดภัยพิบัติสำหรับการสร้างการประเมินความเสียหายโดยมีรูปหลายเหลี่ยมอาคารมากกว่า 850,000 ประเภทจากภัยพิบัติ 6 ประเภทติดฉลากในระดับพิกเซลด้วยเครื่องชั่ง 4 ความเสียหาย [ดาวน์โหลด] | |
| AICD [12] | ภาพทางอากาศสังเคราะห์ 1,000 คู่พร้อมการเปลี่ยนแปลงเทียมที่สร้างขึ้นด้วยเอ็นจิ้นเรนเดอร์ที่มีป้ายกำกับว่ามีการเปลี่ยนแปลงและไม่เปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| ฐานข้อมูลของภาพสังเคราะห์และภาพจริง [13] | ภาพสังเคราะห์ 24,000 ภาพและภาพ RS ที่แตกต่างกันไปตามฤดูกาลจริง 16,000 ชิ้นที่ได้รับจาก Google Earth ซึ่งระบุว่ามีการเปลี่ยนแปลงและไม่เปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| Levir-CD [14] | 637 ความละเอียดสูงมาก (VHR, 0.5m/pixel) Google Earth (GE) แพทช์ภาพคู่ที่มีขนาด 1024 × 1024 พิกเซลและมีจำนวน 31,333 การเปลี่ยนแปลงของอาคารอินสแตนซ์ที่ระบุว่าเปลี่ยนและไม่เปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| ชุดข้อมูล Fire Bastrop [21] | 4 ภาพที่ได้รับจากเซ็นเซอร์ที่แตกต่างกันเหนือ Bastrop County, Texas (USA) มันประกอบไปด้วย Landsat 5 tm เป็นภาพก่อนเหตุการณ์และ Landsat 5 tm, EO-1 Ali และ Landsat 8 เป็นภาพหลังเหตุการณ์ที่มีป้ายกำกับว่ามีการเปลี่ยนแปลงและไม่เปลี่ยนแปลงในระดับพิกเซลส่วนใหญ่เกิดจากไฟป่า [ดาวน์โหลด] | |
| ชุดข้อมูล Google [23] | 19 ภาพ VHR ที่แปรผันตามฤดูกาล Pairswith 3 แถบสีแดงสีเขียวและสีน้ำเงินความละเอียดเชิงพื้นที่ 0.55 ม. และขนาดตั้งแต่ 1006 × 1168 พิกเซลถึง 4936 × 5224 พิกเซล การเปลี่ยนแปลงของภาพรวมถึงน่านน้ำถนนพื้นที่การเกษตรที่ดินเปลือยป่าอาคารอาคารเรือ ฯลฯ อาคารต่าง ๆ เป็นการเปลี่ยนแปลงที่สำคัญ ได้มาในช่วงระหว่างปี 2549-2562 ครอบคลุมพื้นที่ชานเมืองของเมืองกวางโจวประเทศจีน [ดาวน์โหลด] | |
| Optical RS & SAR | ชุดข้อมูลแคลิฟอร์เนีย [22] | 3 ภาพรวมถึงภาพ RS ที่จับโดย Landsat 8 ด้วย 9 ช่องในปี 2560 ภาพ SAR ที่ถ่ายโดย Sentinel-1A (บันทึกไว้ในโพลาไรเซชัน VV และ VH) หลังจากเกิดน้ำท่วมและแผนที่ความจริงพื้นดิน [ดาวน์โหลด] |
| ชุดข้อมูลซีดีที่เป็นเนื้อเดียวกัน [30] | 6 สถานการณ์: สถานการณ์ที่ 1 พร้อมชุดข้อมูลโพลาไรเซชันสองชุด สถานการณ์ที่ 2 พร้อมชุดข้อมูล Polsar สองชุด สถานการณ์ที่ 3 พร้อมชุดข้อมูลภาพแสงสองชุด heterogeneouscd: สถานการณ์ที่ 4 พร้อมชุดข้อมูล SAR/ออปติคัล (Multispectral) สองชุด; สถานการณ์ที่ 5 พร้อมชุดข้อมูลหลายชุดของสายรัดที่แตกต่างจากเซ็นเซอร์ที่แตกต่างกัน สถานการณ์ที่ 6 พร้อมชุดข้อมูล Twopolsar/Optical (Multispectral) [ดาวน์โหลด] | |
| วิวถนน | VL-CMU-CD [15] | 1362 คู่ที่ลงทะเบียนร่วมของ RGB และภาพความลึก, การเปลี่ยนแปลงความจริงพื้นดินที่มีป้ายกำกับ (เช่นถังขยะ, ป้าย, ยานพาหนะ, การปฏิเสธ, การก่อสร้าง, กรวยการจราจร, บุคคล/วงจร, สิ่งกีดขวาง) และหน้ากากท้องฟ้าในระดับพิกเซล [ดาวน์โหลด] |
| PCD 2015 [16] | 200 คู่ภาพพาโนรามาในชุดย่อย "สึนามิ" และ "GSV" ที่มีขนาด 224 × 1024 พิกเซลฉลากเป็นเปลี่ยนและไม่เปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| เปลี่ยนชุดข้อมูลการตรวจจับ [17] | ลำดับภาพของถนนในเมืองที่ถ่ายโดยกล้องติดตั้งยานพาหนะที่จุดเวลาสองจุดที่มีขนาด 5,000 × 2500 พิกเซลติดป้ายโครงสร้างฉาก 3 มิติที่มีการเปลี่ยนแปลงในระดับพิกเซล [ดาวน์โหลด] | |
| CV | CDNET 2012 [18] | 6 หมวดหมู่วิดีโอที่มีลำดับวิดีโอ 4 ถึง 6 รายการในแต่ละหมวดหมู่และภาพการแสดงความจริงมี 5 ป้ายกำกับคือ: คงที่, เงาแข็ง, ภายนอกที่น่าสนใจ, การเคลื่อนไหวที่ไม่รู้จัก (โดยปกติจะอยู่รอบ ๆ วัตถุที่เคลื่อนที่เนื่องจากกึ่งโปร่งใสและการเคลื่อนไหว [ดาวน์โหลด] |
| CDNET 2014 [19,20] | 22 วิดีโอเพิ่มเติม (∼70; 000 เฟรมคำอธิบายประกอบที่ชาญฉลาดพิกเซล) ซึ่งประกอบไปด้วย 5 หมวดหมู่ใหม่ที่รวมความท้าทายที่พบในการตั้งค่าการเฝ้าระวังมากมายและให้กล้องถ่ายภาพที่เป็นจริง (ไม่มี CGI) ชุดวิดีโอในร่มและกลางแจ้งที่หลากหลาย | |
| การเปลี่ยนแปลง [31] | ชุดข้อมูลที่ท้าทายมุ่งเป้าไปที่การตรวจจับการเปลี่ยนแปลงฉากออนไลน์และอื่น ๆ การรวบรวมในสภาพแวดล้อมการจำลองภาพถ่ายที่มีความสมจริงพร้อมการปรากฏตัวของการเปลี่ยนแปลงที่ไม่กำหนดเป้าหมายด้านสิ่งแวดล้อมเช่นการเปลี่ยนแปลงสภาพอากาศและสภาพแสงรวมถึงการเปลี่ยนแปลงวัตถุเป้าหมายในสภาพแวดล้อมในอาคารอุตสาหกรรม [ดาวน์โหลด] | |
| ชุดข้อมูลวิดีโอเพิ่มเติม | ||
จะเห็นได้ว่าจำนวนชุดข้อมูลแบบเปิดที่สามารถใช้สำหรับงานตรวจจับการเปลี่ยนแปลงมีขนาดเล็กและบางชุดมีขนาดเล็ก ในปัจจุบันยังมีการขาดชุดข้อมูล SAR ขนาดใหญ่ที่สามารถใช้สำหรับการฝึกอบรม AI วิธีการตรวจจับการเปลี่ยนแปลงที่ใช้ AI ส่วนใหญ่ขึ้นอยู่กับชุดข้อมูล SAR หลายชุดที่มีการเปลี่ยนแปลงที่ จำกัด เช่นชุดข้อมูล BERN, ชุดข้อมูลออตตาวา, ชุดข้อมูลสีเหลืองแม่น้ำและชุดข้อมูลเม็กซิโกซึ่งไม่สามารถตอบสนองความต้องการของการตรวจจับการเปลี่ยนแปลงในพื้นที่ที่มีการครอบคลุมที่ดินที่ซับซ้อนและประเภทการเปลี่ยนแปลงที่หลากหลาย ยิ่งกว่านั้นฉลากของพวกเขาไม่สามารถใช้ได้อย่างอิสระ ชุดข้อมูลมุมมองถนนโดยทั่วไปใช้สำหรับการวิจัยวิธีการตรวจจับการเปลี่ยนแปลงที่ใช้ AI ในคอมพิวเตอร์วิสัยทัศน์ (CV) ใน CV การตรวจจับการเปลี่ยนแปลงตามรูปภาพหรือวิดีโอก็เป็นสาขาการวิจัยที่ร้อนแรงและแนวคิดพื้นฐานนั้นสอดคล้องกับข้อมูล RS ดังนั้นนอกเหนือจากชุดข้อมูลภาพสตรีทมุมมองแล้วชุดข้อมูลวิดีโอหลายชุดใน CV ยังสามารถใช้สำหรับการวิจัยเกี่ยวกับวิธีการตรวจจับการเปลี่ยนแปลงที่ใช้ AI เช่น CDNET 2012 และ CDNET 2014
การพัฒนาเทคนิคการตรวจจับการเปลี่ยนแปลงที่อิงกับ AI ได้อำนวยความสะดวกอย่างมากกับแอพพลิเคชั่นมากมายและได้ปรับปรุงระบบอัตโนมัติและความฉลาดของพวกเขา การตรวจจับการเปลี่ยนแปลง AI ส่วนใหญ่สร้างแผนที่ไบนารีและการศึกษาเหล่านี้มุ่งเน้นไปที่อัลกอริทึมเท่านั้นโดยไม่มีฟิลด์แอปพลิเคชันเฉพาะ ดังนั้นจึงถือได้ว่าพวกเขามักจะเหมาะสมสำหรับการตรวจจับการเปลี่ยนแปลง LULC ในส่วนนี้เรามุ่งเน้นไปที่เทคนิคที่เกี่ยวข้องกับแอพพลิเคชั่นเฉพาะและสามารถแบ่งออกเป็นสี่หมวดหมู่ได้อย่างกว้างขวาง:
เราให้ภาพรวมของเทคนิคการตรวจจับการเปลี่ยนแปลงที่หลากหลายในวรรณคดีสำหรับหมวดหมู่แอปพลิเคชันที่แตกต่างกัน ประเภทงานและประเภทข้อมูลที่เกี่ยวข้องกับแอปพลิเคชันเหล่านี้แสดงอยู่ในตารางที่ 4
| แอปพลิเคชัน | ชนิดข้อมูล | เอกสาร | |
|---|---|---|---|
| บริบทของเมือง | การขยายตัวของเมือง | ภาพดาวเทียม | Lyu et.al (2018), Tong Et.al (2007) |
| ภาพ SAR | Iino et.al (2017) | ||
| การจัดการพื้นที่สาธารณะ | ภาพสตรีทวิว | Varghese et.al (2018) | |
| พื้นผิวถนน | ภาพ UAV | Truong et.al (2020) | |
| การตรวจจับการเปลี่ยนแปลงอาคาร | ภาพทางอากาศ | Ji et.al (2019), Sun et.al (2019), Nemoto et.al (2017) | |
| ภาพดาวเทียม | Huang Et.al (2019), Zhu Et.al (2018) | ||
| ภาพดาวเทียม/ทางอากาศ | Jiang Et.al (2020), Ji Et.al (2018), Saha et.al (2020) | ||
| ข้อมูลการสแกนเลเซอร์ทางอากาศและภาพทางอากาศ | Zhang Et.al (2019) | ||
| ภาพ SAR | Jaturapitpornchai et.al (2019) | ||
| ภาพดาวเทียมและแผนที่ GIS | Ghaffarian et.al (2019) | ||
| ทรัพยากรและสิ่งแวดล้อม | การเปลี่ยนแปลงสิ่งแวดล้อมที่ขับเคลื่อนด้วยมนุษย์ | ภาพดาวเทียม | Chen et.al (2016) |
| การเปลี่ยนแปลงด้านสิ่งแวดล้อม | ภาพดาวเทียม | Nourani et.al (2018) | |
| น้ำแข็งทะเล | ภาพ SAR | Gao et.al (2019), Gao et.al (2019) | |
| น้ำผิวน้ำ | ภาพดาวเทียม | Song et.al (2019), Rokni et.al (2015) | |
| การตรวจสอบป่า | ภาพดาวเทียม | Khan et.al (2017), Lindquist et.al (2016), Deilmai et.al (2014), Woodcock et.al (2001), Gopal et.al (1996) | |
| ภัยธรรมชาติ | การทำแผนที่ถล่ม | ภาพทางอากาศ | Fang et.al (2020), Lei et.al (2019) |
| ภาพดาวเทียม | Chen et.al (2018), Ding et.al (2016), Tarantino et.al (2006) | ||
| การประเมินความเสียหาย | ภาพดาวเทียม | เกิดจากสึนามิ [Sublime et.al (2019), Singh et.al (2015)], เหตุการณ์เฉพาะ [Hedjam et.al (2019)], น้ำท่วม [Peng et.al (2019)] หรือแผ่นดินไหว [Ji et.al (2019)] | |
| ภาพทางอากาศ | เกิดจากสึนามิ [Fujita et.al (2017)] | ||
| ภาพ SAR | เกิดจากไฟ [planinšič et.al (2018)] หรือแผ่นดินไหว [Saha et.al (2018)] | ||
| ภาพสตรีทวิว | เกิดจากสึนามิ [Sakurada et.al (2015)] | ||
| ภาพถนนดูและแผนที่ GIS | เกิดจากสึนามิ [Sakurada et.al (2017)] | ||
| ดาราศาสตร์ | พื้นผิวดาวเคราะห์ | ภาพดาวเทียม | Kerner et.al (2019) |
ขณะนี้มีซอฟต์แวร์จำนวนมากพร้อมเครื่องมือตรวจจับการเปลี่ยนแปลงและเรามีสรุปสั้น ๆ ของพวกเขาดูตารางที่ 5
| พิมพ์ | ชื่อ | คำอธิบาย |
|---|---|---|
| ทางการค้า | Erdas จินตนาการ | ให้ค่าที่แท้จริงการรวมการตรวจจับระยะไกล, photogrammetry, การวิเคราะห์ LIDAR, การวิเคราะห์เวกเตอร์พื้นฐานและการประมวลผลเรดาร์เป็นผลิตภัณฑ์เดียวรวมถึงเครื่องมือตรวจจับการเปลี่ยนแปลงที่หลากหลาย |
| arcgis | การตรวจจับการเปลี่ยนแปลงสามารถคำนวณได้ระหว่างชุดข้อมูลแรสเตอร์สองชุดโดยใช้เครื่องมือเครื่องคิดเลขแรสเตอร์หรือเวิร์กโฟลว์การเรียนรู้ลึก | |
| สิ่งที่น่าสนใจ | จัดเตรียมเครื่องมือวิเคราะห์การตรวจจับการเปลี่ยนแปลงและโมดูลการเรียนรู้ลึกของ Envi | |
| การพูดคุยกัน | สามารถใช้สำหรับการทำแผนที่การเปลี่ยนแปลงที่หลากหลายและด้วยการใช้ประโยชน์จากเทคโนโลยีการเรียนรู้ลึกจากห้องสมุด Google Tensorflow ™ Ecognition ช่วยให้ลูกค้าได้รับการจดจำรูปแบบที่มีความซับซ้อนสูงและเครื่องมือสหสัมพันธ์ที่ทำให้การจำแนกวัตถุที่น่าสนใจเร็วขึ้นและแม่นยำยิ่งขึ้น | |
| PCI Geomatica | จัดเตรียมเครื่องมือตรวจจับการเปลี่ยนแปลงและมีประโยชน์ในหลาย ๆ สถานการณ์ที่คุณอาจต้องการวิเคราะห์การเปลี่ยนแปลงเช่น: ความเสียหายจากพายุ, ความเสียหายจากไฟป่า, น้ำท่วม, การแผ่ขยายของเมืองและอื่น ๆ | |
| เซนเซส | Senseremote Remote Sensing Solutions Intelligent | |
| โอเพ่นซอร์ส | QGIS | ให้เครื่องมือตรวจจับการเปลี่ยนแปลงมากมาย |
| กล่องเครื่องมือ orfeo | การตรวจจับการเปลี่ยนแปลงโดยอัลกอริทึมการเปลี่ยนแปลงหลายตัวแปร (MAD) อัลกอริทึม | |
| เปลี่ยนกล่องเครื่องมือตรวจจับ | กล่องเครื่องมือ MATLAB สำหรับการตรวจจับการเปลี่ยนแปลงระยะไกล |
เอกสารต่อไปนี้มีประโยชน์สำหรับนักวิจัยในการทำความเข้าใจสาขาการตรวจจับการเปลี่ยนแปลงระยะไกลนี้ให้ดูตารางที่ 6
| ปีที่ตีพิมพ์ | ตรวจสอบกระดาษ |
|---|---|
| 2532 | เทคนิคการตรวจจับการเปลี่ยนแปลงแบบดิจิตอลโดยใช้ข้อมูลที่รับรู้จากระยะไกล IJRS [กระดาษ] |
| พ.ศ. 2547 | วิธีการตรวจจับการเปลี่ยนแปลงแบบดิจิตอลในการตรวจสอบระบบนิเวศ: การตรวจสอบ, ijrs [กระดาษ] |
| พ.ศ. 2547 | เปลี่ยนเทคนิคการตรวจจับ IJRS [กระดาษ] |
| ปี 2555 | การตรวจจับการเปลี่ยนแปลงตามวัตถุ IJRS [กระดาษ] |
| 2013 | เปลี่ยนการตรวจจับจากภาพที่รับรู้จากระยะไกล: จากวิธีการที่ใช้พิกเซลเป็นวิธีการตามวัตถุ ISPRS [กระดาษ] |
| ปี 2559 | การตรวจจับการเปลี่ยนแปลง 3 มิติ - แอพพลิเคชั่นและแอปพลิเคชัน, ISPRS [กระดาษ] |
| ปี 2559 | การเรียนรู้อย่างลึกซึ้งสำหรับข้อมูลการตรวจจับระยะไกลการสอนทางเทคนิคเกี่ยวกับสถานะของศิลปะ MGRS [กระดาษ] |
| 2017 | การสำรวจที่ครอบคลุมเกี่ยวกับการเรียนรู้อย่างลึกซึ้งในการสำรวจระยะไกล: ทฤษฎีเครื่องมือและความท้าทายสำหรับชุมชน JRS [กระดาษ] |
| 2017 | การเรียนรู้อย่างลึกซึ้งในการสำรวจระยะไกล MGRS [กระดาษ] |
| 2018 | ความฉลาดในการคำนวณในการประมวลผลภาพการตรวจจับระยะไกลแบบออพติคอล ASOC [กระดาษ] |
| 2019 | การทบทวนการตรวจจับการเปลี่ยนแปลงในภาพหลายภาพ hyperspectral: เทคนิคปัจจุบันแอปพลิเคชันและความท้าทาย MGRS [กระดาษ] |
| 2019 | การเรียนรู้อย่างลึกซึ้งในแอพพลิเคชั่นการตรวจจับระยะไกล: การวิเคราะห์อภิมานและการทบทวน ISPRS [กระดาษ] |
| 2020 | การเรียนรู้อย่างลึกซึ้งสำหรับการตรวจจับการเปลี่ยนแปลงในภาพการตรวจจับระยะไกล: การทบทวนที่ครอบคลุมและการวิเคราะห์อภิมาน, arxiv [กระดาษ] |
| 2020 | เปลี่ยนการตรวจจับตามปัญญาประดิษฐ์: ล้ำสมัยและความท้าทาย Rs [กระดาษ] |
[1] ชุดข้อมูลการตรวจจับการเปลี่ยนแปลงของ Hyperspectral มีให้บริการออนไลน์: https://citius.usc.es/investigacion/datasets/hyperspectral-change-detection-dataset (เข้าถึงได้เมื่อวันที่ 4 พฤษภาคม 2020)
[2] Wang, Q .; หยวน, Z .; Du, Q .; Li, X. Getnet: เฟรมเวิร์ก CNN แบบ end-end-to-end ทั่วไปสำหรับการตรวจจับการเปลี่ยนภาพ hyperspectral IEEE Trans Geosci Remote Sens. 2018, 57, 3–13 [Google Scholar] [CrossRef]
[3] Daudt, RC; Le Saux, b .; Boulch, A.; Gousseau, Y. การเรียนรู้มัลติทาสก์สำหรับการตรวจจับการเปลี่ยนแปลงความหมายขนาดใหญ่ คอมพิวเตอร์. Vis. ภาพเข้าใจ 2019, 187, 102783. [Google Scholar] [CrossRef]
[4] Ji, S.; Wei, S.; Lu, M. เครือข่าย convolutional อย่างเต็มที่สำหรับการสกัดอาคารหลายแหล่งจากชุดข้อมูลภาพทางอากาศและดาวเทียมแบบเปิด IEEE Trans Geosci Remote Sens. 2018, 57, 574–586 [Google Scholar] [CrossRef]
[5] Benedek, C.; Sziranyi, T. การตรวจจับเปลี่ยนในภาพทางอากาศแบบออพติคอลโดยรุ่นมาร์คอฟแบบผสมหลายชั้น IEEE Trans Geosci Remote Sens. 2009, 47, 3416–3430 [Google Scholar] [CrossRef]
[6] Benedek, C.; Sziranyi, T. แบบจำลองมาร์คอฟแบบผสมสำหรับการตรวจจับการเปลี่ยนแปลงในภาพถ่ายทางอากาศที่มีความแตกต่างครั้งใหญ่ ในการประชุมนานาชาติปี 2551 ที่ 19 เกี่ยวกับการจดจำรูปแบบแทมปา, ฟลอริดา, สหรัฐอเมริกา, 8-11 ธันวาคม 2551; pp. 1–4 [Google Scholar]
[7] Daudt, RC; Le Saux, b .; Boulch, A.; Gousseau, Y. การตรวจจับการเปลี่ยนแปลงในเมืองสำหรับการสังเกตการณ์โลกหลายครั้งโดยใช้เครือข่ายประสาทแบบ convolutional ในการดำเนินการของ IGARSS 2018 IEEE International GeoScience และการประชุมสัมมนาการสำรวจระยะไกล, วาเลนเซีย, สเปน, 22–27 กรกฎาคม 2018; pp. 2115–2118 [Google Scholar]
[8] จาง, ม.; Shi, W. วิธีการตรวจจับการเปลี่ยนแปลงเครือข่ายที่มีความแตกต่างของคุณลักษณะที่แตกต่างกัน IEEE Trans Geosci ระยะไกล Sens. 2020, 1–15 [Google Scholar] [CrossRef]
[9] Wu, C.; Zhang, L.; Zhang, L. กรอบการตรวจจับการเปลี่ยนฉากสำหรับภาพระยะไกลที่มีความละเอียดสูงมากหลายภาพ กระบวนการสัญญาณ 2016, 124, 184–197 [Google Scholar] [CrossRef]
[10] Fujita, A.; Sakurada, K .; Imaizumi, T. ; Ito, R .; Hikosaka, S. ; Nakamura, R. การตรวจจับความเสียหายจากภาพทางอากาศผ่านเครือข่ายประสาทเทียม ในการประชุมวิสัยทัศน์นานาชาติครั้งที่สิบห้าของปี 2560 IAPR เกี่ยวกับแอปพลิเคชันวิสัยทัศน์ของเครื่องจักร (MVA), Nagoya Univ, Nagoya, ญี่ปุ่น, 08–12 พฤษภาคม 2017; pp. 5–8 [Google Scholar]
[11] Gupta, R.; กู๊ดแมน, b.; Patel, N.; Hosfelt, R .; Sajeev, S. ; Heim, E .; Doshi, J .; Lucas, K .; Choset, H.; Gaston, M. การสร้าง XBD: ชุดข้อมูลสำหรับการประเมินความเสียหายของอาคารจากภาพดาวเทียม ในการประชุม IEEE Conference ด้านวิสัยทัศน์คอมพิวเตอร์และการประชุมเชิงปฏิบัติการการจดจำรูปแบบลองบีช, แคลิฟอร์เนีย, สหรัฐอเมริกา, 16–20 มิถุนายน 2562; pp. 10–17 [Google Scholar]
[12] Bourdis, N.; Marraud, D. ; SAHBI, H. การไหลของแสงที่ จำกัด สำหรับการตรวจจับการเปลี่ยนภาพทางอากาศ ในการดำเนินการของปี 2011 Geoscience IEEE International และการประชุมเชิงไกลระยะไกล, แวนคูเวอร์, BC, แคนาดา, 24–29 กรกฎาคม 2011; pp. 4176–4179 [Google Scholar] [CrossRef]
[13] Lebedev, MA; Vizilter, YV; Vygolov, OV; Knyaz, VA; Rubis, AY Change detection in remote sensing images using conditional adversarial networks. ISPRS Int. โค้ง. Photogramm. Remote Sens. Spat. Inf. Sci. 2018, 565–571. [Google Scholar] [CrossRef]
[14] Chen, H.; Shi, Z. A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing Image Change Detection. Remote Sensing, 12(10), 1662. [Google Scholar] [CrossRef]
[15] Alcantarilla, PF; Stent, S.; Ros, G.; Arroyo, R.; Gherardi, R. Street-view change detection with deconvolutional networks. Auton. หุ่นยนต์ 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.
