Change Detection Review下载 - Change Detection Review源代码下载

Change Detection Review

Python

1.0.0

下载

基于人工智能的更改检测：最新和挑战

1。简介

基于遥感（RS）数据的变更检测是检测地球表面变化的重要方法，并且在城市规划，环境监测，农业调查，灾难评估和地图修订中具有广泛的应用。近年来，综合人工智能（AI）技术已成为开发新变化检测方法的研究重点。尽管一些研究人员声称，基于AI的变更检测方法的表现要优于传统变更检测方法，但并不是立即明显的AI如何以及在何种程度上可以改善变更检测的性能。这篇综述着重于AI用于变更检测的最新方法，应用和挑战。具体而言，首先引入了基于AI的变更检测的实现过程。然后，列出了来自用于更改检测的不同传感器的数据，包括光学RS数据，合成孔径雷达（SAR）数据，街道视图图像和组合的异质数据，并列出了可用的开放数据集。对基于AI的更改检测方法的一般框架进行了系统的审查和分析，并进一步分析了基于AI的变更检测中的无监督方案。随后，描述了AI中的常用网络进行更改检测。从实际的角度来看，基于AI的更改检测方法的应用域根据其适用性进行了分类。最后，讨论和划定了AI的主要挑战和前景，包括（a）异质大数据处理，（b）无监督的AI，以及（c）AI的可靠性。这篇综述将对研究人员了解该领域有益。

图1。变更检测的一般示意图。

2。实施过程

图2提供了基于AI的变更检测的一般实施过程，但是AI模型的结构是多种多样的，需要根据不同的应用情况和培训数据进行精心设计。值得一提的是，诸如Tensorflow，Keras，Pytorch和Caffe等现有的成熟框架可以帮助研究人员更容易地实现AI模型的设计，培训和部署，并且其开发文件提供了详细的介绍。

图2。基于AI的变更检测的实现过程（黑色箭头指示工作流，红色箭头指示一个示例）。

2.1基于AI的方法的可用代码

表1。基于AI的更改检测方法的可用代码列表。

方法	关键字	发布	（重新）实施
srcdnet	CNN;暹罗；注意力;超分辨率；光学卢比	基于超分辨率的变更检测网络，具有不同分辨率的图像的堆叠注意模块，TGRS，2021。[Paper]，[Code，DataSet]	Pytorch 1.2
埃斯特	CNN;暹罗； superpixel;光学卢比	端到端超级像素增强的变更检测网络，用于高分辨率遥感图像。 tnnls，2021。[Paper]，[代码]	Pytorch 1.3
kpcamnet	CNN;暹罗； kpca;无监督；光学卢比	基于深内核PCA卷积映射网络的多阶段VHR图像中的无监督变更检测，TCYB，2021。[Paper]，[代码]	Python
Seco	CNN（RESNET）;转移学习；光学卢比	季节性对比：未经保修的遥感数据无监督的预培训，Arxiv，2021。[Paper]，[Code，DataSet]	Pytorch 1.7
CAPSNET	胶囊网络（segcaps）; CVA;暹罗；光学卢比	空中遥感图像更改检测的伪塞亚姆胶囊网络，GRSL，2020。[PAPER 1]，更改光学遥感ImageChange检测的胶囊网络，RS，2021。[PAPER 2]，[CODE，DATASET]	凯拉斯
BIT_CD	CNN（RESNET18）;暹罗；注意力;变压器;光学卢比	遥感图像更改检测，Transformers，TGRS，2021。[Paper]，[代码，数据集，预训练模型]	Pytorch 1.6
iaug_cdnet	CNN（Gaugan+UNET）;暹罗；甘;监督；光学卢比	遥感图像中用于建筑物变化检测的对抗实例，TGRS，2021。[PAPER]，[CODE，DATASET]	Pytorch
ddnet	CNN; di+fcm;无监督； sar	使用双域网络中的合成孔径雷达图像中的更改检测，GRSL，2021。[Paper]，[Code，DataSet]	Pytorch
snunet-cd	CNN（Nestedunet）;暹罗；注意力;监督；光学卢比	Snunet-CD：一个密集连接的暹罗网络，用于VHR图像的更改检测，GRSL，2021。[Paper]，[代码，数据集，预训练的模型]	Pytorch 1.4
DSMSCN	CNN;暹罗；多尺度；无监督/监督；光学卢比	高分辨率的双期远程式式式图像，用于更改检测的深入监督图像融合网络，Arxiv，2020。[Paper]，[Code，DataSet]	TensorFlow 1.9
暹罗	CNN+RNN;暹罗；多源；光学卢比	多源VHR图像中的更改检测通过深暹罗卷积多层复发神经网络，TGRS，2020。[Paper]，[Code，DataSet]	TensorFlow 1.9
DSIFN	CNN;注意机制；光学卢比	高分辨率的双期远程添加图像，ISPRS，2020年。	Pytorch＆Keras
CEECNET	CNN;注意机制；相似性度量；光学卢比	寻找变化？掷骰子和需求关注，Arxiv，2020。[Paper]，[代码，数据集]	mxnet + Python
兰博斯内特	CNN（Light UNET ++）;光学卢比	使用深度学习，大师论文在卫星图像中更改检测。 [代码，数据集，预训练模型]	Pytorch
DTCDSCN	CNN;暹罗	使用双重任务限制了暹罗卷积网络模型，对遥感图像进行建筑物变化检测，并经历了审查。 [代码，数据集]	Pytorch
土地覆盖分析	CNN（UNET）;分类后；光学卢比	使用卷积神经网络在受旋风影响区域的土地利用/土地覆盖变化检测。 [报告]，[代码，数据集，预培训模型]	TensorFlow+Keras
CorrfusionNet	CNN;场景级；暹罗；光学卢比	基于相关的融合网络，涉及多个时间时空场景分类和变更检测，并接受审查。 [代码，预训练模型]，[数据集]	Tensorflow 1.8
SSCDNET	CNN（RESNET18）;暹罗；转移学习；语义； Streetview	基于较弱的剪影语义场景变化检测，ICRA，2020。[纸] [代码，数据集，预训练模型]	Pytorch+Python3.6
异构_cd	AE（代码对准AE）;无监督；转型；异质;光学卢比	多模式遥感图像中无监督更改检测的代码一致的自动编码器，Arxiv，2020。[Paper] [Code，DataSet]	TensorFlow 2.0
fdcnn	CNN（VGG16）;转移学习；纯锡亚姆人；多尺度；光学卢比	特征差异卷积神经网络基于基于神经网络的变更检测方法，TGRS，2020。[paper] [代码，数据集，预训练模型]	Caffe+Python2.7
Stanet	CNN（RESNET-18）;注意机制；纯锡亚姆人；时空依赖性；光学卢比	一种基于空间注意的方法和一个用于遥感图像更改检测的新数据集，RS，2020。[Paper] [Code，DataSet]	Pytorch+Python3.6
X-NET	CNN;无监督；转型；异质;光学RS； sar	深层图像翻译，具有基于亲和力的更改的先验，用于无监督的多模式变更检测，2020年。[paper] [代码，数据集]	Tensorflow 1.4
Ace-net	AE（对抗循环编码器）;无监督；转型；异质;光学RS； sar	深层图像翻译，具有基于亲和力的更改的先验，用于无监督的多模式变更检测，2020年。[paper] [代码，数据集]	Tensorflow 1.4
vgg_lr	CNN（VGG16）;转移学习；纯锡亚姆人；切片低级；光学卢比	基于深度特征和低级的更改检测，GRSL，2017年。[Paper] [重新实施代码，数据集，预训练的模型]	Caffe+Matlab
CDNET	CNN;暹罗；多模式数据；点云数据	检测空气传播激光扫描与摄影数据之间的建筑物变化，RS，2019年。[Paper]，[代码]	Pytorch
SCCN	Ae（dae）;无监督；异质;光学RS； sar	基于异质光学和雷达图像的变更检测的深度卷积耦合网络，TNNLS，2018年。[Paper] [重新实现代码]	TensorFlow 2.0
cgan	gan（有条件的gan）;异质;光学RS； sar	在异质图像中用于变更检测的条件对抗网络，GRSL，2019年。[Paper] [重新实施代码]	TensorFlow 2.0
dasnet	CNN（VGG16）;暹罗；注意机制；光学卢比	DASNET：双重专注的完全卷积的暹罗网络，用于更改高分辨率卫星图像的更改检测，Arxiv，2020。	Pytorch+Python3.6
UNETLSTM	CNN（UNET）; RNN（LSTM）;集成模型；光学卢比	从多个sentinel-2数据，IGARSS，2019年检测出重复的神经网络的变化。	Pytorch+Python3.6
CDMI-NET	CNN（UNET）;纯锡亚姆人；多个实例学习；滑坡映射；光学卢比	深度多个实例学习，用于滑坡映射，GRSL，2020。[纸] [代码，预训练模型]	Pytorch+Python3.6
DSFANET	dnn;无监督；预先分类；缓慢的特征分析；光学卢比	无监督的深度慢特征分析，用于多个时间频段遥感图像中的变更检测，TGRS，2019年。[Paper] [Code，DataSet]	Tensorflow 1.7
CD-UNET ++	CNN（改进的UNET ++）;直接分类；光学卢比	使用改进的UNET ++，RS，2019的高分辨率卫星图像的端到端变更检测。	TensorFlow+Keras
暹罗	CNN（VGG16）;纯锡亚姆人；光学卢比	暹罗网络具有多层次功能，可用于基于补丁的变更检测，卫星图像，Globalsip，2018。[Paper] [CODE，DATASET]	TensorFlow+Keras
RE3FCN	CNN（Convlstm）; PCA; 3D卷积；多级变化；光学RS；高光谱	使用经常性的3D完全卷积网络，RS，2018。	TensorFlow+Keras
FC-EF，FC-SIAM-CONC，FC-SIAM-DIFF	CNN（UNET）;纯锡亚姆人；光学卢比	完全卷积的暹罗网络用于变更检测，ICIP，2018年。[Paper] [CODE，DATASET]	Pytorch
cosimnet	CNN（DeepLab V2）;纯锡亚姆人； Streetview	学习衡量变化：现场变更检测的完全卷积的暹罗度量网络，ARXIV，2018年。[Paper] [代码，数据集，预训练模型]	Pytorch+Python2.7
面具R-CNN	MASK R-CNN（RESNET-101）;转移学习；分类后；光学卢比	贫民窟细分和变更检测：一种深度学习方法，NIP，2018年。[paper] [代码，数据集，预培训模型]	TensorFlow+Keras
咖啡奈特	CNN（Caffenet）;无监督；转移学习；光学卢比	卫星图像中的基于卷积神经网络特征检测，IWPR，2016年。[paper] [代码，数据集]	TensorFlow+Keras
Cwnn	CNN（CWNN）;无监督；预先分类； sar	基于卷积小波神经网络的SAR图像中的海冰变化检测，GRSL，2019年。[Paper] [Code，DataSet]	MATLAB
MLFN	CNN（densenet）;转移学习； sar	从合成孔径雷达图像中转移了海冰变化检测的深度学习，GRSL，2019年。[Paper] [Code，DataSet]	Caffe+Matlab
Garborpcanet	CNN（PCANET）;无监督；预先分类； Gabor小波； sar	基于PCANET，GRSL，2016年的合成孔径雷达图像中的自动更改检测。[Paper] [Code，DataSet]	MATLAB
MS-CAPSNET	CNN（MS-CAPSNET）;胶囊;注意机制；自适应融合卷积； sar	基于多尺寸胶囊网络的SAR图像中的更改检测，GRSL，2020。[PAPER] [CODE，DATASET]	MATLAB+KERAS2.16
dcnet	CNN;无监督；预先分类； sar	基于基于通道加权的深层级联网络的合成孔径雷达图像的更改检测，JSTARS，2019年。[Paper] [Code，DataSet]	咖啡饼
Changenet	CNN;暹罗； Streetview	ChangEnet：视觉变化检测的深度学习体系结构，ECCV，2018。[Paper] [Code，DataSet]	Pytorch
其他人将很快添加！

2.2传统方法的可用代码

表2。传统变更检测方法的可用代码列表。

方法	关键字	发布	执行
几种经典方法	CVA; DPCA;图像差异；图像比率；图像回归； ir-mad;疯狂的; pcakmeans; pcda; kmeans; otsu;固定阈值	用于遥感变更检测的工具箱。 [代码]	MATLAB
MATLAB工具箱更改检测	ir-mad; it-pca; erm; ICM	无监督的变更检测分析的工具箱，IJRS，2016年。[Paper] [代码]	MATLAB
RFR，SVR，GPR	无监督；图像回归；异质;光学RS； sar	无监督的图像回归用于异质变化检测，TGRS，2019年。[纸] [代码]	MATLAB
hpt	无监督；转型；异质;光学RS； sar	异源遥感图像中的更改检测通过均质像素转换，提示，2018。[纸] [重新实现代码]	MATLAB
KCCA	规范相关分析；跨传感器；光学卢比	具有自动内核相关分析的多阶段跨传感器图像的光谱比对，IJPRS，2015年。[Paper] [代码]	MATLAB
克尔。差异。 RBF	无监督； k均值；光学卢比	无监督的变更检测，GRSL，2012年。[Paper] [代码]	MATLAB
FDA-RM	基于DI；频域分析；随机多读物； sar	基于频域分析和随机多编码的合成孔径雷达图像变化检测，罐子，2018年。[纸] [代码]	MATLAB
CD-NR-ELM	基于DI；预先分类；极限学习机器； sar	根据基于邻域的比率和极端学习机器的合成孔径雷达图像的更改检测，JARS，2016年。[Paper] [Code，DataSet]	MATLAB
没有任何	似然比；测试统计； sar	Polarimetric SAR图像中的更改检测，2015年。[报告] [代码]	Python
PCA K均值	无监督；基于DI； PCA; k的意思；光学卢比	使用主成分分析和K-均值聚类中的卫星图像中无监督的变更检测，GRSL，2009。[Paper] [重新实现代码，数据集]或[重新实现代码]	MATLAB
ptcd	张量高光谱光学卢比	无监督的高光谱变化检测的三阶塔克分解和重建检测器。 JSTARS，2021。[PAPER] [CODE，DATASET]	MATLAB
GBF-CD	数据融合；图形; em; ki;	基于图的数据融合应用于：稻米作物中的变更检测和生物量估计。遥感，2020 [纸] [代码，数据集]	MATLAB
其他人将很快添加！

3。打开数据集

当前，有一些可自由使用的数据集用于变更检测，可以用作未来研究中AI培训和准确评估的基准数据集。详细信息在表3中提供。

表3。开放数据集的列表，用于更改检测。

类型	数据集	描述
光学卢比	DSIFN数据集[25]	6个Bi-stormal高分辨率图像来自Google Earth。有3600个图像对，大小为512×512用于培训，验证340个，测试48。 [下载]
	S2MTCP [26]	1520 Sentinel-2级1C图像对集中在世界各地的城市地区，其空间分辨率为1000万，大小为600x600像素。未进行几何或辐射校正。 [下载]
	Sysu-CD [27]	在2007年至2014年间在香港拍摄的20000对0.5-m的256×256的空中图像，其中包括6种变更类型：（a）新建的城市建筑；（b）郊区扩张；（c）施工前的基础工作；（d）植被的变化；（e）道路扩展；（f）海洋建筑。 [下载]
	S2 looking [28]	建筑物更改检测数据集由5000个注册的零星图像对（大小为1024*1024，0.5〜0.8 m/pixel）的农村地区，超过65,920个带注释的变更实例，分别表示新建造和拆除的建筑物[下载] [下载]
	合成和真实图像数据集[29]	该数据库包含12,000个无物体移位的合成图像，有12,000个具有对象移位的模型图像和16,000个真实遥感图像的片段。执行的测试表明，提出的CNN在合成和真实图像上的变更检测中足够高效[下载]
	语义更改检测数据集（第二）[24]	一个像素级注释的语义变化检测数据集，其中包括来自几个平台和传感器的512 x 512像素的4662对空中图像，覆盖了杭州，成谷和上海。它专注于6个主要的土地覆盖阶层，即，未绿化的地面，树木，低植被，水，建筑物和游乐场，它们经常参与自然和人造地理位置的变化。 [下载]
	高光谱变化检测数据集[1]	3种不同的高光谱场景由Aviris或Hyperion传感器获得，具有224或242个光谱带，标记为5种与像素水平的作物过渡相关的更改。 [下载]
	河HSIS数据集[2]	2 HSIS在中国江苏省，有198个乐队，标记为Pixel级别的变化和不变。 [下载]
	HRSCD [3]	291个共同注册的RGB航空图像，具有像素级变化和土地覆盖注释，提供层次级别的变化标签，例如，1级标签包括五个类别：没有信息，没有信息，人工表面，农业区，森林，湿地，湿地和水。 [下载]
	WHU构建数据集[4]	2周期的航空图像，其中包含12,796座建筑物，以及建筑物向量和栅格地图。 [下载]
	Sztaki空气更改基准[5，6]	13个具有1.5 m空间分辨率的航空图像对，在像素水平上标记为更改和不变。 [下载]
	OSCD [7]	Sentinel-2获得的24对多光谱图像在像素级别上被标记为更改和不变。 [下载]
	更改检测数据集[8]	4对具有不同空间分辨率的多光谱图像，标记为在像素级别上变化和不变。 [下载]
	MTS-WH [9]	Ikonos传感器获得的2张大型VHR图像，具有4个频段和1 M空间分辨率，标记为现场水平的5种更改（即停车，稀疏房屋，住宅区和植被区）。 [下载]
	ABCD [10]	16,950对RGB航空图像，用于检测海啸洗涤建筑物的房屋，标记为现场层面受损的建筑物。 [下载]
	XBD [11]	用于建筑损害评估的灾前和后塞斯特卫星图像，有6种灾难类型的超过850,000个建筑多边形，标记为像素级别，带有4个伤害量表。 [下载]
	AICD [12]	1000对与渲染引擎产生的人工变化的合成空中图像，在像素级别上被标记为变化和不变。 [下载]
	合成图像的数据库[13]	Google Earth获得的24,000张合成图像和16,000个真实季节变化的RS图像的片段，标记为更改和不变的像素水平。 [下载]
	Levir-CD [14]	637非常高分辨率（VHR，0.5M/像素）Google Earth（GE）图像贴片对，大小为1024×1024像素，总共包含31,333个单独的更换构建实例，在像素级别上被更改和不变。 [下载]
	Bastrop Fire数据集[21]	在美国德克萨斯州巴斯特罗普县（美国）上获得的4张图像。它由Landsat 5 TM作为事前图像和Landsat 5 TM，EO-1 ALI和Landsat 8作为事后图像组成，标记为在像素水平上更改和不变，主要是由野火引起的。 [下载]
	Google数据集[23]	19个季节相变的VHR图像对3条红色，绿色和蓝色带，空间分辨率为0.55 m，尺寸从1006×1168像素到4936×5224像素。图像的变化包括水，道路，农田，裸露的土地，森林，建筑物，船舶等。建筑物构成了主要变化。在2006年至2019年期间收购，涵盖了中国广州市的郊区。 [下载]
光学RS＆SAR	加利福尼亚数据集[22]	3张图像，包括Landsat 8在2017年捕获9个通道的RS图像，在发生洪水发生后，由Sentinel-1a捕获的SAR图像（以极化为VV和VH记录）以及地面真相图。 [下载]
光学RS＆SAR	均质CD数据集[30]	6个方案：具有两个单极化数据集的方案1；方案2带有两个POLSAR数据集；方案3具有两个光学图像数据集。异构环境：有两个SAR/光学（多光谱）数据集的方案4；方案5具有从不同传感器中获得的两个不同带的多光谱数据集；方案6具有covopolsar/光学（多光谱）数据集。 [下载]
街景	VL-CMU-CD [15]	1362年，共同注册的RGB和深度图像，标记为地面真相变化（例如，垃圾，标志，车辆，垃圾，垃圾，建筑，交通锥，人/周期，障碍，障碍）和像素级别的天空面具。 [下载]
	PCD 2015 [16]	在“海啸”和“ GSV”子集中200个全景图对，大小为224×1024像素，标签在像素级别上更改且未变化。 [下载]
	更改检测数据集[17]	由车辆安装的相机捕获的城市街道的图像序列在两个不同的时间点捕获，大小为5000×2500像素，标有像素级别的3D场景结构变化。 [下载]
简历	CDNET 2012 [18]	6个视频类别，每个类别中有4至6个视频序列，地面图像包含5个标签，即：静态，硬阴影，感兴趣的外部运动区域，未知的运动（通常围绕移动物体，由于半透明性和运动模糊而围绕移动物体）和运动。 [下载]
	CDNET 2014 [19,20]	22个其他视频（〜70; 000像素式带注释的帧）涵盖了5个新类别，这些类别包含许多监视设置中遇到的挑战，并提供了逼真的摄像机捕获（没有CGI）（没有CGI），室内和室外视频等不同的室内和室外视频，例如CDNET 2012。[下载] [下载]。[下载]。
	更改[31]	旨在在线场景更改检测和更多更多的挑战性数据集中，在光真逼真的模拟环境中收集具有环境非目标变体的存在，例如空气浊度和光条件变化，以及工业室内环境中的目标对象变化。 [下载]
	更多视频数据集

可以看出，可用于更改检测任务的开放数据集量很小，其中一些具有较小的数据大小。目前，仍然缺乏可用于AI培训的大型SAR数据集。大多数基于AI的更改检测方法基于几个SAR数据集，这些数据集包含有限类型的更改，例如伯尔尼数据集，渥太华数据集，黄河数据集和墨西哥数据集，这些数据集无法满足具有复杂土地覆盖和各种变化类型的区域的变化检测需求。此外，他们的标签无法自由使用。街道视图数据集通常用于研究计算机视觉（CV）中基于AI的变更检测方法。在简历中，基于图片或视频的更改检测也是一个热门的研究领域，基本思想与基于RS数据的基本思想是一致的。因此，除了街道查看图像数据集外，简历中的几个视频数据集也可用于研究基于AI的变更检测方法，例如CDNET 2012和CDNET 2014。

4。申请

基于AI的变更检测技术的开发极大地促进了许多应用，并改善了其自动化和智能。大多数基于AI的更改检测都会生成二进制图，而这些研究仅关注算法本身，而没有特定的应用领域。因此，可以认为它们通常适合LULC变更检测。在本节中，我们专注于与特定应用程序相关的技术，它们可以大致分为四类：

城市环境：城市扩张，公共空间管理和建筑物变更检测；
资源和环境：以人为驱动的环境变化，水力环境变化，海冰，地表水和森林监测；
自然灾害：滑坡图和损害评估；
天文学：行星表面。

我们为不同应用程序类别的文献中的各种变更检测技术提供了概述。表4列出了与这些应用程序关联的工作和数据类型。

表4。基于AI的变更检测技术的主要应用摘要。

申请		数据类型	文件
城市环境	城市扩张	卫星图像	Lyu et.al（2018），Tong等人（2007）
	城市扩张	SAR图像	Iino等（2017）
	公共空间管理	街景图像	Varghese等人（2018）
	路面	无人机图像	Truong et.al（2020）
	建筑物变更检测	航空图像	Ji et.al（2019），Sun等（2019），Nemoto等（2017）
		卫星图像	Huang et.al（2019），Zhu et.al（2018）
		卫星/空中图像	Jiang et.Al（2020），Ji et.al（2018），Saha等（2020）
		机载激光扫描数据和航空图像	Zhang et.al（2019）
		SAR图像	Jaturapitpornchai等人（2019年）
		卫星图像和GIS地图	Ghaffarian等人（2019年）
资源与环境	人类驱动的环境变化	卫星图像	Chen等（2016）
	水力环境变化	卫星图像	Nourani等（2018）
	海冰	SAR图像	Gao等人（2019），Gao等（2019）
	地表水	卫星图像	Song et.al（2019），Rokni et.al（2015）
	森林监测	卫星图像	Khan等（2017），Lindquist等人（2016），Deilmai et.al（2014），Woodcock等（2001），Gopal等人（1996）
自然灾害	滑坡映射	航空图像	Fang et.Al（2020），Lei et.al（2019）
	滑坡映射	卫星图像	Chen等人（2018），Ding等人（2016），Tarantino等（2006）
	损害评估	卫星图像	由海啸[Sublime et.al（2019），Singh等人（2015）]，特殊事件[Hedjam et.al（2019）]，洪水[Peng et.al（2019）]或地震[Ji et.al（2019）]
		航空图像	由海啸[Fujita et.al（2017）]引起
		SAR图像	由火灾[Planinšič等人（2018）]或地震[Saha等人（2018）引起。
		街景图像	由海啸[Sakurada et.al（2015）引起
		街景图像和GIS地图	由海啸[Sakurada et.al（2017）引起
天文学	行星表面	卫星图像	Kerner等人（2019）

5。软件程序

当前有大量带有更改检测工具的软件，我们进行了简要摘要，请参见表5。

表5。更改检测的软件列表。

类型	姓名	描述
商业的	Erdas想象	提供真实价值，整合遥感，摄影测量，激光雷达分析，基本向量分析和雷达处理，包括各种变更检测工具。
	Arcgis	可以使用栅格计算器工具或深度学习工作流程在两个栅格数据集之间计算更改检测。
	envi	提供更改检测分析工具和Envi深度学习模块。
	知识	可用于各种更改映射，并利用Google Tensorflow™库中的深度学习技术，Ecognition使客户具有高度复杂的模式识别和相关工具，从而使感兴趣的对象分类自动化，从而更快，更准确。
	PCI Geomatica	提供更改检测工具，并且在您可能需要分析变化的许多情况下可能有用，例如：风暴破坏，森林火灾损害，洪水，城市蔓延等。
	感觉时间	传感遥控器感应智能解决方案
开源	QGIS	提供许多更改检测工具。
	ORFEO工具箱	通过多元改变检测器（MAD）算法进行更改检测。
	更改检测工具箱	MATLAB工具箱，用于遥感变更检测。

6。查看变更检测论文

以下论文对研究人员更好地了解遥感变更检测的这一领域很有帮助，请参见表6。

表6。关于变更检测的评论论文列表。

出版年份	评论论文
1989	使用远程感知的数据IJRS的数字变更检测技术。 [纸]
2004	生态系统监测中的数字变更检测方法：IJRS的评论。 [纸]
2004	更改检测技术，IJR。 [纸]
2012	基于对象的更改检测，IJR。 [纸]
2013	从远程感知的图像进行更改检测：从基于像素的到基于对象的方法ISPRS。 [纸]
2016	3D更改检测 - approcement和应用程序，ISPR。 [纸]
2016	遥感数据的深度学习是关于最新情况的技术教程，MGRS。 [纸]
2017	遥感中深度学习的全面调查：JRS社区的理论，工具和挑战。 [纸]
2017	遥感中的深度学习，mgrs。 [纸]
2018	光学遥感图像处理中的计算智能，ASOC。 [纸]
2019	对多个高光谱图像中变更检测的综述：当前技术，应用和挑战，MGRS。 [纸]
2019	遥感应用中的深度学习：荟萃分析和评论，ISPR。 [纸]
2020	遥感图像中的变化检测深度学习：综合审查和荟萃分析，Arxiv。 [纸]
2020	基于人工智能的变更检测：最新和挑战，卢比。 [纸]

7。参考

[1]高光谱变化检测数据集。在线提供：https：//citius.usc.es/investigacion/datasets/hyperspectral-change-detection-dataset（2020年5月4日访问）。

[2] Wang，Q。； Z。Yuan; du，q。; Li，X。GetNet：高光谱图像变化检测的一般端到端2-D CNN框架。 IEEE Trans。 Geosci。遥感2018，57，3-13。 [Google Scholar] [CrossRef]

[3] Daudt，RC； Le Saux，b。 Boulch，A。; Gousseau，Y。大规模语义变化检测的多任务学习。计算。 VIS。图像理解。 2019，187，102783。[Google Scholar] [Crossref]

[4] Ji，s。; Wei，s。; Lu，M。从开放的空中和卫星图像数据集中提取多源建筑物的完全卷积网络。 IEEE Trans。 Geosci。遥感2018，57，574–586。 [Google Scholar] [CrossRef]

[5] Benedek，C。； Sziranyi，T。通过多层条件混合马尔可夫模型在光学图像中的更改检测。 IEEE Trans。 Geosci。遥感2009，47，3416–3430。 [Google Scholar] [CrossRef]

[6] Benedek，C。； Sziranyi，T。在具有较大时间差异的航空照片中用于变化检测的混合Markov模型。在2008年第19届国际模式认可会议上，美国佛罗里达州坦帕市，2008年12月8日至11日； pp。1-4。 [Google Scholar]

[7] Daudt，RC； Le Saux，b。 Boulch，A。; Gousseau，Y。使用卷积神经网络进行多光谱地球观察的城市变化检测。在2018年IEEE国际地球科学和遥感研讨会上，西班牙瓦伦西亚，2018年7月22日至27日； pp。2115–2118。 [Google Scholar]

[8]张，M。； Shi，W。基于特征差异卷积神经网络的变更检测方法。 IEEE Trans。 Geosci。遥感2020，1-15。 [Google Scholar] [CrossRef]

[9] Wu，C。;张，L。； Zhang，L。一个场景更改检测框架，用于多个时间高的分辨率遥感图像。信号过程。 2016，124，184–197。 [Google Scholar] [CrossRef]

[10] Fujita，A。; Sakurada，K。； Imaizumi，T。; ito，r。; Hikosaka，S。； Nakamura，R。通过卷积神经网络从空中图像中的损伤检测。在2017年第15届IAPR国际机器视觉应用会议（MVA）的会议录中，日本名古屋纳戈亚大学，2017年5月8日至12日； pp。5-8[Google Scholar]

[11] Gupta，R。;古德曼，b。帕特尔（N。）； Hosfelt，R。 Sajeev，S。； Heim，E。 Doshi，J。；卢卡斯（K。）； Choset，H。; Gaston，M。创建XBD：用于评估卫星图像建筑损失的数据集。 2019年6月16日至20日，在美国加利福尼亚州长滩举行的IEEE计算机视觉和模式识别研讨会会议论文集； pp。10–17。 [Google Scholar]

[12] Bourdis，n。; Marraud，d。 Sahbi，H。空中图像变化检测的限制光流。 2011年7月24日至29日，在2011年IEEE国际地球科学和遥感研讨会上，加拿大温哥华，加拿大，加拿大； pp。4176–4179。 [Google Scholar] [CrossRef]

[13]马萨诸塞州勒贝夫夫； Vizilter，YV； Vygolov，OV；弗吉尼亚州克尼兹； Rubis，使用条件对抗网络中遥感图像中的更改检测。 isprs int。拱。摄影。遥感吐口水。 inf。科学。 2018，565–571。 [Google Scholar] [CrossRef]

[14] Chen，H。; Shi，Z。一种基于空间注意的方法和用于遥感图像更改检测的新数据集。遥感，12（10），1662。[Google Scholar] [Crossref]

[15] Alcantarilla，PF； Stent，s。; Ros，G。； Arroyo，r。 Gherardi，R。街道视图变更检测通过反向逆转录网络。汽车。机器人。 2018，42，1301–1322。 [Google Scholar] [CrossRef]

[16] Sakurada，K。； Okatani，T。使用CNN功能和Superpixel分割从街道图像对更改检测。 2015年9月7日至10日，英国斯旺西的英国机器视觉会议会议论文集（BMVC）； 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。图像过程。 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，不。 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]

引用

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}
}