变化检测相关论文可读list

一些用得上的：

遥感变化检测常见数据集https://github.com/rsdler/Remote-Sensing-Change-Detection-Dataset/

 代码解读：代码解读 | 极简代码遥感语义分割，结合GDAL从零实现，以U-Net和建筑物提取为例

NeurIPS2024:

https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzU2NTc2MjU2OQ==&action=getalbum&album_id=3659388467592724491&token=313881402&lang=zh_CN&scene=21#wechat_redirect

1（可看）无代码

https://mp.weixin.qq.com/s/jCC-6-yJPxaBF_bAgJZMAQ

题目：Segment Any Change

会议：Conference on Neural Information Processing Systems 2024

论文：http://arxiv.org/abs/2402.01188

年份：2024

单位：斯坦福大学、武汉大学

2（可看）有代码

NeurIPS24 | 武大季顺平团队提出多模态大模型OMG-LLaVA, 桥接图像级、对象级、像素级理解和推理

题目：OMG-LLaVA: Bridging Image-level, Object-level, Pixel-level Reasoning and Understanding

会议：Conference on Neural Information Processing Systems 2024

论文：http://arxiv.org/abs/2406.19389

主页：https://lxtgh.github.io/project/omg_llava/

年份：2024

单位：武汉大学等

AAAI2025:

https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzU2NTc2MjU2OQ==&action=getalbum&album_id=3783803670349905924&scene=21#wechat_redirect

1（先不看）有代码

AAAI2025 | 开放词汇遥感语义分割, 代码已开源

题目：Towards Open-Vocabulary Remote Sensing Image Semantic Segmentation

会议：39th Annual AAAI Conference on Artificial Intelligence (CCF-A会议)

论文：https://arxiv.org/abs/2412.19492

代码：https://github.com/yecy749/GSNet

年份：2025

单位：大连理工大学

创新点：

1 开创性任务：文章首次提出了“开放词汇遥感图像语义分割”（OVRSISS），旨在解决遥感图像中无法分割任意语义类别的问题。

2 新数据集构建：开发了LandDiscover50K数据集，包含51,846幅遥感图像，跨越40个类别，涵盖多样化分辨率和场景。

3 新框架设计：提出了GSNet框架，通过融合通用视觉语言模型（CLIP）和领域特定模型（RSIB），实现开放词汇分割。

emm感觉不太能用在布匹瑕疵检测上，因为布匹瑕疵类别就那些。不需要开放词汇吧。。。

2（可看）有代码

AAAI2025 | ZoRI: 零样本遥感实例分割, 代码已开源

题目：ZoRI: Towards Discriminative Zero-Shot Remote Sensing Instance Segmentation

会议：39th Annual AAAI Conference on Artificial Intelligence (CCF-A会议)

论文：http://arxiv.org/abs/2412.12798

代码：https://github.com/HuangShiqi128/ZoRI

年份：2024

单位：南洋理工大学，上海财经大学

是个实例分割的。布匹那边要不语义分割要不就直接无类别，好像用不上实例？不过可以参考一下零样本的做法。值得一看。

ECCV2024：

https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzU2NTc2MjU2OQ==&action=getalbum&album_id=3545217190562643968&scene=21#wechat_redirect

emm有几篇目标检测的，没有语义分割的。有遥感微小目标检测网络、基于DETR的预训练框架改进遥感目标检测。等等，有分割的一篇

1（农田分割有什么特别的地方吗 先不看吧）有代码

论文赏读 | KAN 和 U-Net结合用于遥感农田分割, KAN You See It?

题目：KAN You See It? KANs and Sentinel for Effective and Explainable Crop Field Segmentation

论文：http://arxiv.org/abs/2408.07040

代码：https://github.com/DarthReca/crop-field-segmentation-ukan

年份：2024

CVPR2024：

https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzU2NTc2MjU2OQ==&action=getalbum&album_id=3372421569771470853&token=1250495336&lang=en_US&scene=21#wechat_redirect

这个是CVPR 2024遥感方向论文列表：https://github.com/rsdler/Remote-Sensing-in-CVPR2024

 1（可看）有代码

论文赏读 | CVPR24 | GeoChat用于遥感的大视觉-语言模型，包含开源代码和数据

题目：GeoChat : Grounded Large Vision-Language Model for Remote Sensing

会议：2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

DOI：10.48550/arXiv.2311.15826

开源代码：https://github.com/mbzuai-oryx/geochat

数据：https://huggingface.co/datasets/MBZUAI/GeoChat_Instruct

年份：2024

2（backbone改进 晚点看） 有代码

论文赏读 | CVPR24 | 用于遥感目标检测的backbone网络PKINet

题目：Poly Kernel Inception Network for Remote Sensing Detection

会议：2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

论文：http://arxiv.org/abs/2403.06258

开源代码：https://github.com/NUST-Machine-Intelligence-Laboratory/PKINet

年份：2024

3（可看）无代码

论文赏读 | CVPR24 | 扩散模型用于遥感语义分割，生成图像和标注以增强样本数据

题目：SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation

会议：2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

论文：https://arxiv.org/abs/2403.16605v1

年份：2024

4 （是一篇workshop的 不过主题是导师最爱的learnable prompt）无代码 

论文赏读 | CVPRW24 | 用于遥感小样本语义分割的可学习Prompt

题目：Learnable Prompt for Few-Shot Semantic Segmentation in Remote Sensing Domain

会议：CVPR 2024 Workshop

论文：10.48550/arXiv.2404.10307

相关竞赛：https://codalab.lisn.upsaclay.fr/competitions/17568

年份：2024

5 （晚点看 这个好像是有多模态遥感 SAR 红外之类的 也有小样本）有代码

论文赏读 | CVPR24 | 如何高效地将大模型应用于多模态遥感下游任务？

题目：Parameter Efficient Self-Supervised Geospatial Domain Adaptation

会议：2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

论文：https://openaccess.thecvf.com/content/CVPR2024/html/Scheibenreif_Parameter_Efficient_Self-Supervised_Geospatial_Domain_Adaptation_CVPR_2024_paper.html

代码：https://github.com/HSG-AIML/GDA

年份：2024