基于深度学习的遥感影像变化检测方法研究——不同学习范式视角
Deep Learning-Based Change Detection Methods in Remote Sensing Images: A Study from Various Learning Paradigms
中国矿业大学 作 者 汪路康 导 师 史文中
申请学位 工学博士学位 培养单位 环境与测绘学院
学科专业 大地测量学与测量工程 研究方向 遥感影像变化检测
完全监督场景：本文提出一种基于多级特征增强的变化检测网络MFENet
弱监督（仅提供图像级监督信息）：提出一种基于类激活映射CAM的定位能力和SAM的零样本迁移能力的框架。CS-WSCDNet
半监督：提出了一种基于自训练和一致性正则化的半监督变化检测网络。STCRNet（Self-Training and Consistency Regularization）
拟解决的关键问题：
1. 如何提取有效的影像特征：现有的框架大多直接从图像的语义分割领域迁移而来，缺乏对遥感变化检测任务的独特思考。一方面，高分辨率遥感影像具有复杂的地物类型和多样的光谱信息，导致影像特征提取难度较大；另一方面，区别于单输入的语义分割，变化检测同时输入两期或多期遥感影像，如何在多期影像中保持一致的特征表示，并从中提取与变化检测任务高度相关的特征也是一项挑战。
2. 遥感影像的标注样本稀缺
3. 如何利用粗粒度的标注样本（图像级 目标框级 涂鸦级）
4. 如何利用海量的未标注样本
