Change Detection Review

基於人工智能的更改檢測：最新和挑戰

1。簡介

基於遙感（RS）數據的變更檢測是檢測地球表面變化的重要方法，並且在城市規劃，環境監測，農業調查，災難評估和地圖修訂中具有廣泛的應用。近年來，綜合人工智能（AI）技術已成為開發新變化檢測方法的研究重點。儘管一些研究人員聲稱，基於AI的變更檢測方法的表現要優於傳統變更檢測方法，但並不是立即明顯的AI如何以及在何種程度上可以改善變更檢測的性能。這篇綜述著重於AI用於變更檢測的最新方法，應用和挑戰。具體而言，首先引入了基於AI的變更檢測的實現過程。然後，列出了來自用於更改檢測的不同傳感器的數據，包括光學RS數據，合成孔徑雷達（SAR）數據，街道視圖圖像和組合的異質數據，並列出了可用的開放數據集。對基於AI的更改檢測方法的一般框架進行了系統的審查和分析，並進一步分析了基於AI的變更檢測中的無監督方案。隨後，描述了AI中的常用網絡進行更改檢測。從實際的角度來看，基於AI的更改檢測方法的應用域根據其適用性進行了分類。最後，討論和劃定了AI的主要挑戰和前景，包括（a）異質大數據處理，（b）無監督的AI，以及（c）AI的可靠性。這篇綜述將對研究人員了解該領域有益。

圖1。變更檢測的一般示意圖。

2。實施過程

圖2提供了基於AI的變更檢測的一般實施過程，但是AI模型的結構是多種多樣的，需要根據不同的應用情況和培訓數據進行精心設計。值得一提的是，諸如Tensorflow，Keras，Pytorch和Caffe等現有的成熟框架可以幫助研究人員更容易地實現AI模型的設計，培訓和部署，並且其開發文件提供了詳細的介紹。

圖2。基於AI的變更檢測的實現過程（黑色箭頭指示工作流，紅色箭頭指示一個示例）。

2.1基於AI的方法的可用代碼

表1。基於AI的更改檢測方法的可用代碼列表。

方法	關鍵字	出版品	（重新）實施
srcdnet	CNN;暹羅；注意力;超分辨率；光學盧比	基於超分辨率的變更檢測網絡，具有不同分辨率的圖像的堆疊注意模塊，TGRS，2021。 [Paper]，[Code，DataSet]	Pytorch 1.2
埃斯特	CNN;暹羅； superpixel;光學盧比	端到端超級像素增強的變更檢測網絡，用於高分辨率遙感圖像。 tnnls，2021。 [Paper]，[代碼]	Pytorch 1.3
kpcamnet	CNN;暹羅； kpca;無監督；光學盧比	基於深內核PCA卷積映射網絡的多階段VHR圖像中的無監督變更檢測，TCYB，2021。 [Paper]，[代碼]	Python
Seco	CNN（RESNET）;轉移學習；光學盧比	季節性對比：未經保修的遙感數據無監督的預培訓，Arxiv，2021。 [Paper]，[Code，DataSet]	Pytorch 1.7
CAPSNET	膠囊網絡（segcaps）; CVA;暹羅；光學盧比	空中遙感圖像更改檢測的偽塞亞姆膠囊網絡，GRSL，2020。 [PAPER 1]，更改光學遙感ImageChange檢測的膠囊網絡，RS，2021。 [PAPER 2]，[CODE，DATASET]	凱拉斯
BIT_CD	CNN（RESNET18）;暹羅；注意力;變壓器;光學盧比	遙感圖像更改檢測，Transformers，TGRS，2021。 [Paper]，[代碼，數據集，預訓練模型]	Pytorch 1.6
iaug_cdnet	CNN（Gaugan+UNET）;暹羅；甘;監督；光學盧比	遙感圖像中用於建築物變化檢測的對抗實例，TGRS，2021。 [PAPER]，[CODE，DATASET]	Pytorch
ddnet	CNN; di+fcm;無監督； sar	使用雙域網絡中的合成孔徑雷達圖像中的更改檢測，GRSL，2021。 [Paper]，[Code，DataSet]	Pytorch
snunet-cd	CNN（Nestedunet）;暹羅；注意力;監督；光學盧比	Snunet-CD：一個密集連接的暹羅網絡，用於VHR圖像的更改檢測，GRSL，2021。 [Paper]，[代碼，數據集，預訓練的模型]	Pytorch 1.4
DSMSCN	CNN;暹羅；多尺度；無監督/監督；光學盧比	高分辨率的雙期遠程式式式圖像，用於更改檢測的深入監督圖像融合網絡，Arxiv，2020。 [Paper]，[Code，DataSet]	TensorFlow 1.9
暹羅	CNN+RNN;暹羅；多源；光學盧比	多源VHR圖像中的更改檢測通過深暹羅卷積多層復發神經網絡，TGRS，2020。 [Paper]，[Code，DataSet]	TensorFlow 1.9
DSIFN	CNN;注意機制；光學盧比	高分辨率的雙期遠程添加圖像，ISPRS，2020年。	Pytorch＆Keras
CEECNET	CNN;注意機制；相似性度量；光學盧比	尋找變化？擲骰子和需求關注，Arxiv，2020。 [Paper]，[代碼，數據集]	mxnet + Python
蘭博斯內特	CNN（Light UNET ++）;光學盧比	使用深度學習，大師論文在衛星圖像中更改檢測。 [代碼，數據集，預訓練模型]	Pytorch
DTCDSCN	CNN;暹羅	使用雙重任務限制了暹羅卷積網絡模型，對遙感圖像進行建築物變化檢測，並經歷了審查。 [代碼，數據集]	Pytorch
土地覆蓋分析	CNN（UNET）;分類後；光學盧比	使用卷積神經網絡在受旋風影響區域的土地利用/土地覆蓋變化檢測。 [報告]，[代碼，數據集，預培訓模型]	TensorFlow+Keras
CorrfusionNet	CNN;場景級；暹羅；光學盧比	基於相關的融合網絡，涉及多個時間時空場景分類和變更檢測，並接受審查。 [代碼，預訓練模型]，[數據集]	Tensorflow 1.8
SSCDNET	CNN（RESNET18）;暹羅；轉移學習；語義； Streetview	基於較弱的剪影語義場景變化檢測，ICRA，2020。 [紙] [代碼，數據集，預訓練模型]	Pytorch+Python3.6
異構_cd	AE（代碼對準AE）;無監督；轉型；異質;光學盧比	多模式遙感圖像中無監督更改檢測的代碼一致的自動編碼器，Arxiv，2020。 [Paper] [Code，DataSet]	TensorFlow 2.0
fdcnn	CNN（VGG16）;轉移學習；純錫亞姆人；多尺度；光學盧比	特徵差異卷積神經網絡基於基於神經網絡的變更檢測方法，TGRS，2020。 [paper] [代碼，數據集，預訓練模型]	Caffe+Python2.7
Stanet	CNN（RESNET-18）;注意機制；純錫亞姆人；時空依賴性；光學盧比	一種基於空間注意的方法和一個用於遙感圖像更改檢測的新數據集，RS，2020。 [Paper] [Code，DataSet]	Pytorch+Python3.6
X-NET	CNN;無監督；轉型；異質;光學RS； sar	深層圖像翻譯，具有基於親和力的更改的先驗，用於無監督的多模式變更檢測，2020年。 [paper] [代碼，數據集]	Tensorflow 1.4
Ace-net	AE（對抗循環編碼器）;無監督；轉型；異質;光學RS； sar	深層圖像翻譯，具有基於親和力的更改的先驗，用於無監督的多模式變更檢測，2020年。 [paper] [代碼，數據集]	Tensorflow 1.4
vgg_lr	CNN（VGG16）;轉移學習；純錫亞姆人；切片低級；光學盧比	基於深度特徵和低級的更改檢測，GRSL，2017年。 [Paper] [重新實施代碼，數據集，預訓練的模型]	Caffe+Matlab
CDNET	CNN;暹羅；多模式數據；點雲數據	檢測空氣傳播激光掃描與攝影數據之間的建築物變化，RS，2019年。 [Paper]，[代碼]	Pytorch
SCCN	Ae（dae）;無監督；異質;光學RS； sar	基於異質光學和雷達圖像的變更檢測的深度卷積耦合網絡，TNNLS，2018年。 [Paper] [重新實現代碼]	TensorFlow 2.0
cgan	gan（有條件的gan）;異質;光學RS； sar	在異質圖像中用於變更檢測的條件對抗網絡，GRSL，2019年。 [Paper] [重新實施代碼]	TensorFlow 2.0
dasnet	CNN（VGG16）;暹羅；注意機制；光學盧比	DASNET：雙重專注的完全卷積的暹羅網絡，用於更改高分辨率衛星圖像的更改檢測，Arxiv，2020。	Pytorch+Python3.6
UNETLSTM	CNN（UNET）; RNN（LSTM）;集成模型；光學盧比	從多個sentinel-2數據，IGARSS，2019年檢測出重複的神經網絡的變化。	Pytorch+Python3.6
CDMI-NET	CNN（UNET）;純錫亞姆人；多個實例學習；滑坡映射；光學盧比	深度多個實例學習，用於滑坡映射，GRSL，2020。 [紙] [代碼，預訓練模型]	Pytorch+Python3.6
DSFANET	dnn;無監督；預先分類；緩慢的特徵分析；光學盧比	無監督的深度慢特徵分析，用於多個時間頻段遙感圖像中的變更檢測，TGRS，2019年。 [Paper] [Code，DataSet]	Tensorflow 1.7
CD-UNET ++	CNN（改進的UNET ++）;直接分類；光學盧比	使用改進的UNET ++，RS，2019的高分辨率衛星圖像的端到端變更檢測。	TensorFlow+Keras
暹羅	CNN（VGG16）;純錫亞姆人；光學盧比	暹羅網絡具有多層次功能，可用於基於補丁的變更檢測，衛星圖像，Globalsip，2018。 [Paper] [CODE，DATASET]	TensorFlow+Keras
RE3FCN	CNN（Convlstm）; PCA; 3D卷積；多級變化；光學RS；高光譜	使用經常性的3D完全卷積網絡，RS，2018。	TensorFlow+Keras
FC-EF，FC-SIAM-CONC，FC-SIAM-DIFF	CNN（UNET）;純錫亞姆人；光學盧比	完全卷積的暹羅網絡用於變更檢測，ICIP，2018年。 [Paper] [CODE，DATASET]	Pytorch
cosimnet	CNN（DeepLab V2）;純錫亞姆人； Streetview	學習衡量變化：現場變更檢測的完全卷積的暹羅度量網絡，ARXIV，2018年。 [Paper] [代碼，數據集，預訓練模型]	Pytorch+Python2.7
面具R-CNN	MASK R-CNN（RESNET-101）;轉移學習；分類後；光學盧比	貧民窟細分和變更檢測：一種深度學習方法，NIP，2018年。 [paper] [代碼，數據集，預培訓模型]	TensorFlow+Keras
咖啡奈特	CNN（Caffenet）;無監督；轉移學習；光學盧比	衛星圖像中的基於卷積神經網絡特徵檢測，IWPR，2016年。 [paper] [代碼，數據集]	TensorFlow+Keras
Cwnn	CNN（CWNN）;無監督；預先分類； sar	基於卷積小波神經網絡的SAR圖像中的海冰變化檢測，GRSL，2019年。 [Paper] [Code，DataSet]	MATLAB
MLFN	CNN（densenet）;轉移學習； sar	從合成孔徑雷達圖像中轉移了海冰變化檢測的深度學習，GRSL，2019年。 [Paper] [Code，DataSet]	Caffe+Matlab
Garborpcanet	CNN（PCANET）;無監督；預先分類； Gabor小波； sar	基於PCANET，GRSL，2016年的合成孔徑雷達圖像中的自動更改檢測。 [Paper] [Code，DataSet]	MATLAB
MS-CAPSNET	CNN（MS-CAPSNET）;膠囊;注意機制；自適應融合卷積； sar	基於多尺寸膠囊網絡的SAR圖像中的更改檢測，GRSL，2020。 [PAPER] [CODE，DATASET]	MATLAB+KERAS2.16
dcnet	CNN;無監督；預先分類； sar	基於基於通道加權的深層級聯網絡的合成孔徑雷達圖像的更改檢測，JSTARS，2019年。 [Paper] [Code，DataSet]	咖啡餅
Changenet	CNN;暹羅； Streetview	ChangEnet：視覺變化檢測的深度學習體系結構，ECCV，2018。 [Paper] [Code，DataSet]	Pytorch
其他人將很快添加！

2.2傳統方法的可用代碼

表2。傳統變更檢測方法的可用代碼列表。

方法	關鍵字	出版品	執行
幾種經典方法	CVA; DPCA;圖像差異；圖像比率；圖像回歸； ir-mad;瘋狂的; pcakmeans; pcda; kmeans; otsu;固定閾值	用於遙感變更檢測的工具箱。 [代碼]	MATLAB
MATLAB工具箱更改檢測	ir-mad; it-pca; erm; ICM	無監督的變更檢測分析的工具箱，IJRS，2016年。 [Paper] [代碼]	MATLAB
RFR，SVR，GPR	無監督；圖像回歸；異質;光學RS； sar	無監督的圖像回歸用於異質變化檢測，TGRS，2019年。 [紙] [代碼]	MATLAB
hpt	無監督；轉型；異質;光學RS； sar	異源遙感圖像中的更改檢測通過均質像素轉換，提示，2018。 [紙] [重新實現代碼]	MATLAB
KCCA	規範相關分析；跨傳感器；光學盧比	具有自動內核相關分析的多階段跨傳感器圖像的光譜比對，IJPRS，2015年。 [Paper] [代碼]	MATLAB
克爾。差異。 RBF	無監督； k均值；光學盧比	無監督的變更檢測，GRSL，2012年。 [Paper] [代碼]	MATLAB
FDA-RM	基於DI；頻域分析；隨機多讀物； sar	基於頻域分析和隨機多編碼的合成孔徑雷達圖像變化檢測，罐子，2018年。 [紙] [代碼]	MATLAB
CD-NR-ELM	基於DI；預先分類；極限學習機器； sar	根據基於鄰域的比率和極端學習機器的合成孔徑雷達圖像的更改檢測，JARS，2016年。 [Paper] [Code，DataSet]	MATLAB
沒有任何	似然比；測試統計； sar	Polarimetric SAR圖像中的更改檢測，2015年。 [報告] [代碼]	Python
PCA K均值	無監督；基於DI； PCA; k的意思；光學盧比	使用主成分分析和K-均值聚類中的衛星圖像中無監督的變更檢測，GRSL，2009。 [Paper] [重新實現代碼，數據集]或[重新實現代碼]	MATLAB
ptcd	張量高光譜光學盧比	無監督的高光譜變化檢測的三階塔克分解和重建檢測器。 JSTARS，2021。 [PAPER] [CODE，DATASET]	MATLAB
GBF-CD	數據融合；圖形; em; ki;	基於圖的數據融合應用於：稻米作物中的變更檢測和生物量估計。遙感，2020 [紙] [代碼，數據集]	MATLAB
其他人將很快添加！

3。打開數據集

當前，有一些可自由使用的數據集用於變更檢測，可以用作未來研究中AI培訓和準確評估的基準數據集。詳細信息在表3中提供。

表3。開放數據集的列表，用於更改檢測。

類型	數據集	描述
光學盧比	DSIFN數據集[25]	6個Bi-stormal高分辨率圖像來自Google Earth。有3600個圖像對，大小為512×512用於培訓，驗證340個，測試48。 [下載]
	S2MTCP [26]	1520 Sentinel-2級1C圖像對集中在世界各地的城市地區，其空間分辨率為1000萬，大小為600x600像素。未進行幾何或輻射校正。 [下載]
	Sysu-CD [27]	在2007年至2014年間在香港拍攝的20000對0.5-m的256×256的空中圖像，其中包括6種變更類型：（a）新建的城市建築； （b）郊區擴張； （c）施工前的基礎工作； （d）植被的變化； （e）道路擴展； （f）海洋建築。 [下載]
	S2 looking [28]	建築物更改檢測數據集由5000個註冊的零星圖像對（大小為1024*1024，0.5〜0.8 m/pixel）的農村地區，超過65,920個帶註釋的變更實例，分別表示新建造和拆除的建築物[下載] [下載]
	合成和真實圖像數據集[29]	該數據庫包含12,000個無物體移位的合成圖像，有12,000個具有對象移位的模型圖像和16,000個真實遙感圖像的片段。執行的測試表明，提出的CNN在合成和真實圖像上的變更檢測中足夠高效[下載]
	語義更改檢測數據集（第二）[24]	一個像素級註釋的語義變化檢測數據集，其中包括來自幾個平台和傳感器的512 x 512像素的4662對空中圖像，覆蓋了杭州，成谷和上海。它專注於6個主要的土地覆蓋階層，即，未綠化的地面，樹木，低植被，水，建築物和遊樂場，它們經常參與自然和人造地理位置的變化。 [下載]
	高光譜變化檢測數據集[1]	3種不同的高光譜場景由Aviris或Hyperion傳感器獲得，具有224或242個光譜帶，標記為5種與像素水平的作物過渡相關的更改。 [下載]
	河HSIS數據集[2]	2 HSIS在中國江蘇省，有198個樂隊，標記為Pixel級別的變化和不變。 [下載]
	HRSCD [3]	291個共同註冊的RGB航空圖像，具有像素級變化和土地覆蓋註釋，提供層次級別的變化標籤，例如，1級標籤包括五個類別：沒有信息，沒有信息，人工表面，農業區，森林，濕地，濕地和水。 [下載]
	WHU構建數據集[4]	2週期的航空圖像，其中包含12,796座建築物，以及建築物向量和柵格地圖。 [下載]
	Sztaki空氣更改基準[5，6]	13個具有1.5 m空間分辨率的航空圖像對，在像素水平上標記為更改和不變。 [下載]
	OSCD [7]	Sentinel-2獲得的24對多光譜圖像在像素級別上被標記為更改和不變。 [下載]
	更改檢測數據集[8]	4對具有不同空間分辨率的多光譜圖像，標記為在像素級別上變化和不變。 [下載]
	MTS-WH [9]	Ikonos傳感器獲得的2張大型VHR圖像，具有4個頻段和1 M空間分辨率，標記為現場水平的5種更改（即停車，稀疏房屋，住宅區和植被區）。 [下載]
	ABCD [10]	16,950對RGB航空圖像，用於檢測海嘯洗滌建築物的房屋，標記為現場層面受損的建築物。 [下載]
	XBD [11]	用於建築損害評估的災前和後塞斯特衛星圖像，有6種災難類型的超過850,000個建築多邊形，標記為像素級別，帶有4個傷害量表。 [下載]
	AICD [12]	1000對與渲染引擎產生的人工變化的合成空中圖像，在像素級別上被標記為變化和不變。 [下載]
	合成圖像的數據庫[13]	Google Earth獲得的24,000張合成圖像和16,000個真實季節變化的RS圖像的片段，標記為更改和不變的像素水平。 [下載]
	Levir-CD [14]	637非常高分辨率（VHR，0.5M/像素）Google Earth（GE）圖像貼片對，大小為1024×1024像素，總共包含31,333個單獨的更換構建實例，在像素級別上被更改和不變。 [下載]
	Bastrop Fire數據集[21]	在美國德克薩斯州巴斯特羅普縣（美國）上獲得的4張圖像。它由Landsat 5 TM作為事前圖像和Landsat 5 TM，EO-1 ALI和Landsat 8作為事後圖像組成，標記為在像素水平上更改和不變，主要是由野火引起的。 [下載]
	Google數據集[23]	19個季節相變的VHR圖像對3條紅色，綠色和藍色帶，空間分辨率為0.55 m，尺寸從1006×1168像素到4936×5224像素。圖像的變化包括水，道路，農田，裸露的土地，森林，建築物，船舶等。建築物構成了主要變化。在2006年至2019年期間收購，涵蓋了中國廣州市的郊區。 [下載]
光學RS＆SAR	加利福尼亞數據集[22]	3張圖像，包括Landsat 8在2017年捕獲9個通道的RS圖像，在發生洪水發生後，由Sentinel-1a捕獲的SAR圖像（以極化為VV和VH記錄）以及地面真相圖。 [下載]
	均質CD數據集[30]	6個方案：具有兩個單極化數據集的方案1；方案2帶有兩個POLSAR數據集；方案3具有兩個光學圖像數據集。異構環境：有兩個SAR/光學（多光譜）數據集的方案4；方案5具有從不同傳感器中獲得的兩個不同帶的多光譜數據集；方案6具有covopolsar/光學（多光譜）數據集。 [下載]
街景	VL-CMU-CD [15]	1362年，共同註冊的RGB和深度圖像，標記為地面真相變化（例如，垃圾，標誌，車輛，垃圾，垃圾，建築，交通錐，人/週期，障礙，障礙）和像素級別的天空面具。 [下載]
	PCD 2015 [16]	在“海嘯”和“ GSV”子集中200個全景圖對，大小為224×1024像素，標籤在像素級別上更改且未變化。 [下載]
	更改檢測數據集[17]	由車輛安裝的相機捕獲的城市街道的圖像序列在兩個不同的時間點捕獲，大小為5000×2500像素，標有像素級別的3D場景結構變化。 [下載]
簡歷	CDNET 2012 [18]	6個視頻類別，每個類別中有4至6個視頻序列，地面圖像包含5個標籤，即：靜態，硬陰影，感興趣的外部運動區域，未知的運動（通常圍繞移動物體，由於半透明性和運動模糊而圍繞移動物體）和運動。 [下載]
	CDNET 2014 [19,20]	22個其他視頻（〜70; 000像素式帶註釋的幀）涵蓋了5個新類別，這些類別包含許多監視設置中遇到的挑戰，並提供了逼真的攝像機捕獲（沒有CGI）（沒有CGI），室內和室外視頻等不同的室內和室外視頻，例如CDNET 2012。 [下載] [下載]。 [下載]。
	更改[31]	旨在在線場景更改檢測和更多更多的挑戰性數據集中，在光真逼真的模擬環境中收集具有環境非目標變體的存在，例如空氣濁度和光條件變化，以及工業室內環境中的目標對像變化。 [下載]
	更多視頻數據集

可以看出，可用於更改檢測任務的開放數據集量很小，其中一些具有較小的數據大小。目前，仍然缺乏可用於AI培訓的大型SAR數據集。大多數基於AI的更改檢測方法基於幾個SAR數據集，這些數據集包含有限類型的更改，例如伯爾尼數據集，渥太華數據集，黃河數據集和墨西哥數據集，這些數據集無法滿足具有復雜土地覆蓋和各種變化類型的區域的變化檢測需求。此外，他們的標籤無法自由使用。街道視圖數據集通常用於研究計算機視覺（CV）中基於AI的變更檢測方法。在簡歷中，基於圖片或視頻的更改檢測也是一個熱門的研究領域，基本思想與基於RS數據的基本思想是一致的。因此，除了街道查看圖像數據集外，簡歷中的幾個視頻數據集也可用於研究基於AI的變更檢測方法，例如CDNET 2012和CDNET 2014。

4。申請

基於AI的變更檢測技術的開發極大地促進了許多應用，並改善了其自動化和智能。大多數基於AI的更改檢測都會生成二進製圖，而這些研究僅關注算法本身，而沒有特定的應用領域。因此，可以認為它們通常適合LULC變更檢測。在本節中，我們專注於與特定應用程序相關的技術，它們可以大致分為四類：

• 城市環境：城市擴張，公共空間管理和建築物變更檢測；
• 資源和環境：以人為驅動的環境變化，水力環境變化，海冰，地表水和森林監測；
• 自然災害：滑坡圖和損害評估；
• 天文學：行星表面。

我們為不同應用程序類別的文獻中的各種變更檢測技術提供了概述。表4列出了與這些應用程序關聯的工作和數據類型。

表4。基於AI的變更檢測技術的主要應用摘要。

申請		數據類型	文件
城市環境	城市擴張	衛星圖像	Lyu et.al（2018），Tong等人（2007）
		SAR圖像	Iino等（2017）
	公共空間管理	街景圖像	Varghese等人（2018）
	路面	無人機圖像	Truong et.al（2020）
	建築物變更檢測	航空圖像	Ji et.al（2019），Sun等（2019），Nemoto等（2017）
		衛星圖像	Huang et.al（2019），Zhu et.al（2018）
		衛星/空中圖像	Jiang et.Al（2020），Ji et.al（2018），Saha等（2020）
		機載激光掃描數據和航空圖像	Zhang et.al（2019）
		SAR圖像	Jaturapitpornchai等人（2019年）
		衛星圖像和GIS地圖	Ghaffarian等人（2019年）
資源與環境	人類驅動的環境變化	衛星圖像	Chen等（2016）
	水力環境變化	衛星圖像	Nourani等（2018）
	海冰	SAR圖像	Gao等人（2019），Gao等（2019）
	地表水	衛星圖像	Song et.al（2019），Rokni et.al（2015）
	森林監測	衛星圖像	Khan等（2017），Lindquist等人（2016），Deilmai et.al（2014），Woodcock等（2001），Gopal等人（1996）
自然災害	滑坡映射	航空圖像	Fang et.Al（2020），Lei et.al（2019）
		衛星圖像	Chen等人（2018），Ding等人（2016），Tarantino等（2006）
	損害評估	衛星圖像	由海嘯[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）]
		航空圖像	由海嘯[Fujita et.al（2017）]引起
		SAR圖像	由火災[Planinšič等人（2018）]或地震[Saha等人（2018）引起。
		街景圖像	由海嘯[Sakurada et.al（2015）引起
		街景圖像和GIS地圖	由海嘯[Sakurada et.al（2017）引起
天文學	行星表面	衛星圖像	Kerner等人（2019）

5。軟件程序

當前有大量帶有更改檢測工具的軟件，我們進行了簡要摘要，請參見表5。

表5。更改檢測的軟件列表。

類型	姓名	描述
商業的	Erdas想像	提供真實價值，整合遙感，攝影測量，激光雷達分析，基本向量分析和雷達處理，包括各種變更檢測工具。
	Arcgis	可以使用柵格計算器工具或深度學習工作流程在兩個柵格數據集之間計算更改檢測。
	envi	提供更改檢測分析工具和Envi深度學習模塊。
	知識	可用於各種更改映射，並利用Google Tensorflow™庫中的深度學習技術，Ecognition使客戶具有高度複雜的模式識別和相關工具，從而使感興趣的對象分類自動化，從而更快，更準確。
	PCI Geomatica	提供更改檢測工具，並且在您可能需要分析變化的許多情況下可能有用，例如：風暴破壞，森林火災損害，洪水，城市蔓延等。
	感覺時間	傳感遙控器感應智能解決方案
開源	QGIS	提供許多更改檢測工具。
	ORFEO工具箱	通過多元改變檢測器（MAD）算法進行更改檢測。
	更改檢測工具箱	MATLAB工具箱，用於遙感變更檢測。

6。查看變更檢測論文

以下論文對研究人員更好地了解遙感變更檢測的這一領域很有幫助，請參見表6。

表6。關於變更檢測的評論論文列表。

出版年份	評論論文
1989	使用遠程感知的數據IJRS的數字變更檢測技術。 [紙]
2004	生態系統監測中的數字變更檢測方法：IJRS的評論。 [紙]
2004	更改檢測技術，IJR。 [紙]
2012	基於對象的更改檢測，IJR。 [紙]
2013	從遠程感知的圖像進行更改檢測：從基於像素的到基於對象的方法ISPRS。 [紙]
2016	3D更改檢測 - approcement和應用程序，ISPR。 [紙]
2016	遙感數據的深度學習是關於最新情況的技術教程，MGRS。 [紙]
2017	遙感中深度學習的全面調查：JRS社區的理論，工具和挑戰。 [紙]
2017	遙感中的深度學習，mgrs。 [紙]
2018	光學遙感圖像處理中的計算智能，ASOC。 [紙]
2019	對多個高光譜圖像中變更檢測的綜述：當前技術，應用和挑戰，MGRS。 [紙]
2019	遙感應用中的深度學習：薈萃分析和評論，ISPR。 [紙]
2020	遙感圖像中的變化檢測深度學習：綜合審查和薈萃分析，Arxiv。 [紙]
2020	基於人工智能的變更檢測：最新和挑戰，盧比。 [紙]

7。參考

[1]高光譜變化檢測數據集。在線提供：https：//citius.usc.es/investigacion/datasets/hyperspectral-change-detection-dataset（2020年5月4日訪問）。

[2] Wang，Q。 ； Z。 Yuan; du，q。 ; Li，X。 GetNet：高光譜圖像變化檢測的一般端到端2-D CNN框架。 IEEE Trans。 Geosci。遙感2018，57，3-13。 [Google Scholar] [CrossRef]

[3] Daudt，RC； Le Saux，b。 Boulch，A。 ; Gousseau，Y。大規模語義變化檢測的多任務學習。計算。 VIS。圖像理解。 2019，187，102783。 [Google Scholar] [Crossref]

[4] Ji，s。 ; Wei，s。 ; Lu，M。從開放的空中和衛星圖像數據集中提取多源建築物的完全卷積網絡。 IEEE Trans。 Geosci。遙感2018，57，574–586。 [Google Scholar] [CrossRef]

[5] Benedek，C。 ； Sziranyi，T。通過多層條件混合馬爾可夫模型在光學圖像中的更改檢測。 IEEE Trans。 Geosci。遙感2009，47，3416–3430。 [Google Scholar] [CrossRef]

[6] Benedek，C。 ； Sziranyi，T。在具有較大時間差異的航空照片中用於變化檢測的混合Markov模型。在2008年第19屆國際模式認可會議上，美國佛羅里達州坦帕市，2008年12月8日至11日； pp。 1-4。 [Google Scholar]

[7] Daudt，RC； Le Saux，b。 Boulch，A。 ; Gousseau，Y。使用卷積神經網絡進行多光譜地球觀察的城市變化檢測。在2018年IEEE國際地球科學和遙感研討會上，西班牙瓦倫西亞，2018年7月22日至27日； pp。 2115–2118。 [Google Scholar]

[8]張，M。 ； Shi，W。基於特徵差異卷積神經網絡的變更檢測方法。 IEEE Trans。 Geosci。遙感2020，1-15。 [Google Scholar] [CrossRef]

[9] Wu，C。 ;張，L。 ； Zhang，L。一個場景更改檢測框架，用於多個時間高的分辨率遙感圖像。信號過程。 2016，124，184–197。 [Google Scholar] [CrossRef]

[10] Fujita，A。 ; Sakurada，K。 ； Imaizumi，T。 ; ito，r。 ; Hikosaka，S。 ； Nakamura，R。通過卷積神經網絡從空中圖像中的損傷檢測。在2017年第15屆IAPR國際機器視覺應用會議（MVA）的會議錄中，日本名古屋納戈亞大學，2017年5月8日至12日； pp。 5-8[Google Scholar]

[11] Gupta，R。 ;古德曼，b。帕特爾（N。）； Hosfelt，R。 Sajeev，S。 ； Heim，E。 Doshi，J。 ；盧卡斯（K。）； Choset，H。 ; Gaston，M。創建XBD：用於評估衛星圖像建築損失的數據集。 2019年6月16日至20日，在美國加利福尼亞州長灘舉行的IEEE計算機視覺和模式識別研討會會議論文集； pp。 10–17。 [Google Scholar]

[12] Bourdis，n。 ; Marraud，d。 Sahbi，H。空中圖像變化檢測的限制光流。 2011年7月24日至29日，在2011年IEEE國際地球科學和遙感研討會上，加拿大溫哥華，加拿大，加拿大； pp。 4176–4179。 [Google Scholar] [CrossRef]

[13]馬薩諸塞州勒貝夫夫； Vizilter，YV； Vygolov，OV；弗吉尼亞州克尼茲； Rubis，使用條件對抗網絡中遙感圖像中的更改檢測。 isprs int。拱。攝影。遙感吐口水。 inf。科學。 2018，565–571。 [Google Scholar] [CrossRef]

[14] Chen，H。 ; Shi，Z。一種基於空間注意的方法和用於遙感圖像更改檢測的新數據集。遙感，12（10），1662。 [Google Scholar] [Crossref]

[15] Alcantarilla，PF； Stent，s。 ; Ros，G。 ； Arroyo，r。 Gherardi，R。街道視圖變更檢測通過反向逆轉錄網絡。汽車。機器人。 2018，42，1301–1322。 [Google Scholar] [CrossRef]

[16] Sakurada，K。 ； Okatani，T。使用CNN功能和Superpixel分割從街道圖像對更改檢測。 2015年9月7日至10日，英國斯旺西的英國機器視覺會議會議論文集（BMVC）； pp。 61.1–61.12。 [Google Scholar]

[17] Sakurada，K。 ； Okatani，T。 ； Deguchi，K。從車輛安裝的相機捕獲的多視圖圖像中檢測場景3D結構的變化。在2013年6月23日至28日，在美國俄勒岡州波特蘭市的IEEE計算機視覺和模式識別會議論文集； pp。 137–144。 [Google Scholar]

[18] Goyette，N。 ； Jodoin，P.-M。 ; Porikli，f。 ;康拉德（J。）； ISHWAR，P。更改。 NET：新的更改檢測基準數據集。 2012年6月16日至21日，在2012年IEEE計算機學會會議上，美國RI，美國RI，美國普羅維登斯； pp。 1-8。 [Google Scholar]

[19] Wang，Y。 ； Jodoin，P.-M。 ; Porikli，f。 ;康拉德（J。）；貝尼斯，Y。 ； Ishwar，P。 CDNET 2014：擴展的更改檢測基準數據集。在2014年IEEE計算機視覺和模式識別研討會上的會議記錄中，2014年6月23日至28日，美國俄亥俄州哥倫布； pp。 393–400。 [Google Scholar]

[20] Goyette，n。 ; Jodoin，P.-M。 ; Porikli，f。 ;康拉德（J。）； Ishwar，P。用於更改檢測基準測試的新型視頻數據集。 IEEE Trans。圖像過程。 2014，23，4663–4679。 [Google Scholar] [CrossRef]

[21]沃爾皮，米歇爾；營地 - 古斯塔（Gustau）； Tuia，Devis（2015）。具有自動內核典型相關分析的多時間跨傳感器圖像的光譜比對； ISPRS攝影測量和遙感雜誌，第1卷。 107，第50-63頁，2015年。 [Crossref]

[22] Lt Luppino，FM Bianchi，G。 Moser和Sn Anfinsen。無監督的圖像回歸，用於異質變化檢測。 IEEE關於地球科學和遙感的交易。 2019年，第一卷。 57，不。 12，第9960-9975頁。 [Crossref]

[23] D. Peng，L。 Bruzzone，Y。 Zhang，H。 Guan，H。 Ding和X. Huang，Semicdnet：在高分辨率遠程感應圖像中用於變化檢測的半普遍卷積神經網絡。 IEEE關於地球科學和遙感的交易。 2020。 [Crossref]

[24] Yang，Kunping等。用於語義變化檢測的非對稱暹羅網絡。 Arxiv預印型ARXIV：2010.05687（2020）。 [Crossref]

[25] Zhang，C.，Yue，P.，Tapete，D.，Jiang，L.，Shangguan，B.，Huang，L。 ，＆Liu，G。一個深入監督的圖像融合網絡，用於高分辨率BI-temporly-noperal Bi-tempormal遙感圖像中的更改檢測。 ISPRS攝影測量和遙感雜誌。 2020。 [Crossref]

[26] Leenstra，Marrit等。自我監督的預訓練增強了Sentinel-2圖像中的變化檢測。 arxiv。 2021。 [Crossref]

[27] Shi，Qian等。深入監督的基於注意力指標的網絡和一個開放的空中圖像數據集用於遙感變更檢測。 IEEE關於地球科學和遙感的交易。 2021。 [Crossref]

[28] Shen，Li等。 S2外觀：用於建築物變更檢測的衛星側面外觀數據集。 arxiv。 2021。 [Crossref]

[29] Lebedev，MA等。使用條件對抗網絡在遙感圖像中更改檢測。攝影測量，遙感與空間信息科學的國際檔案，2018年。 [CrossRef]

[30] Sun，Yuli等。基於結構一致性的圖形，用於無監督的變更檢測，並具有同質和異質遙感圖像。 IEEE關於地球科學和遙感的交易，2021。 [CrossRef]

[31] Park，Jin-Man等。變化：朝著端到端的在線場景變更室內環境中的檢測。 arxiv。 2021。 [Crossref]

引用

如果您發現此評論對您有幫助，請考慮引用我們的論文。 [開放訪問]

 @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}
}

筆記

此列表將在及時更新，歡迎志願者捐款。有關問題或分享，請隨時與我們聯繫或提出問題。

參考材料：

• i-wope-peece/changeTectionRepository
• Michele Volpi個人研究頁面
• llu025/rodogeneous_cd
• Wenhwu/Awesome-Remote-Sensing-Change-tection
• NeverStoplearn/Remote_sensing_change_detection
• GIS中的更改檢測
• GAO Feng個人研究頁面
• Bobholamovic/更換eTectionToolbox