【变化检测】变化检测相关数据集+代码+论文合集

最新推荐文章于 2025-03-05 06:30:24 发布
最新推荐文章于 2025-03-05 06:30:24 发布
阅读量1.5k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 变化检测论文解读 文章标签： 深度学习 人工智能 计算机视觉 机器视觉 python 变化检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_38308388/article/details/134690910
本文汇总了光学、高光谱、3D以及SAR变化检测领域的多个数据集，涵盖了有标签和无标签的变化检测，提供了用于传统方法和深度学习的代码资源。数据集包括SMARS、HRCUS-CD、GVLM等，适用于训练和验证AI模型。同时，还列举了相关的论文和比赛，如‘吉林一号’杯耕地变化检测挑战等。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文包含：光学影像变化检测领域数据集（有label的，无label的）、高光谱影像变化检测领域数据集、3D变化检测领域数据集、传统变化检测算法、深度学习变化检测算法、SAR变化检测算法、高光谱变化检测算法论文及代码等资源。

目录

With Label

Without Label

Hyperspectral

3D

Code

Multispectral

Traditional Method

Deep Learning

2D

3D

SAR

Hyperspectral

Contest

Reference

2.1 Available codes for AI-based methods

2.2 Available codes for traditional methods

3. Open datasets

With Label

  • 2023.SMARS (Simulated Multimodal Aerial Remote Sensing) dataset
    SMARS is a large-scale synthetic dataset, comprising pairs of scenarios simulating urban changes, designed for training and validating change detection applications, as well as urban segmentation and building extraction tasks. The dataset simulates the terrains of two European citie

了解本专栏 订阅专栏 解锁全文 超级会员免费看
24、变化检测算法与深度学习的结合
w7x8y9z的博客
06-15 62
本文探讨了深度学习技术在变化检测中的应用，介绍了传统变化检测方法与现代深度学习模型的结合策略。重点分析了卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）在变化检测任务中的具体实现，并通过实验验证其有效性。文章还讨论了数据增强、模型剪枝、模型量化等优化策略，并提供了实际案例分析以展示方法的实际效果。最后总结了当前研究面临的挑战以及未来发展方向。
变化检测（Change Detection，CD） 综述2篇 & CD代码 & 常用CD数据集及链接
m0_61899108的博客
11-22 1万+
CD best paper 。综述1，介绍变化检测流程、各种类型的CD数据集、分析不同的算法框架与当前AI主流网络，实际应用，机遇与挑战（无监督、异构数据、是否可靠），内容丰富。 综述2，包括，遥感领域中变化检测的应用，深度学习算法概述（历史、deep models、DBNs、SAEs、CNNs），已有的CD相关论文的汇集整理分析和涉及的期刊会议，大致分为三组（有监督、无监督CD、迁移学习），有前途的研究方向（强化学习、弱监督学习）。 对比之下，综述2适合简单的入门科普，综述1更为深刻，值得细读。
23825770Change-Detection-Code遥感影像变化检测经典算法(IR-MAD、MAD、CVA、PCA).zip
08-29
SAR图像变化检测常用的算法，其中包括有PCA算法，MAD算法，IMAD算法。 内涵数据集，附上PCA算法，MAD算法，IMAD算法处理的指标分析（均值，方差，Kappa指数，检错率，漏检率等）。亲测可用
变化检测数据集制作详细版
yokon的博客
10-19 2913
本文记录在进行变化检测数据集制作过程中所使用的代码首先需要准备相同地区不同时间的两幅影像，裁减成合适大小，如256*256。相同区域命名相同放在两个文件夹下。接着使用labelme对变化区域进行标注，这里不再进行labelme安装及标注的赘述。在标注完成后，会在A、B两个文件夹下生成对应的json文件，A文件夹的json文件为对影像A的标注，B同上。代码块包含四个部分：2.同名png合并（处理AB都发生变化的标签）3.独有png提取（处理只在A或B发生变化的标签）
出色的遥感变化检测：与遥感变化检测有关的数据集，代码和竞赛的列表
01-31
出色的遥感变化检测：与遥感变化检测有关的数据集，代码和竞赛的列表
遥感影像变化检测数据集
lzq-rser
02-20 2万+
文章目录遥感影像中变化检测数据集1. S2MTCP2. Hi-UCD3. SECOND4. CD_Data_GZ5. LEVIR-CD6. LEVIR-CD+7.SLADCD8. HRSCD9. Mts-WH10. WHU Building Change detection Dataset11. Synthetic images and read season-varying remote sensing images12. OSCD13. AICD Dataset14. SZTAKI15. Hypersp
无监督变化检测数据集（SAR、光学）
weixin_44623662的博客
05-13 4656
同源SAR变化检测数据集 1.Ottawa数据集 [Github链接] 2.Yellow1数据集[Github链接] 3.Bern数据集[Github链接] 4.Yellow2数据集[Github链接] 5.Yellow3数据集[Github链接] 6.Yellow4数据集[Github链接] 同源光学变化检测数据集 Beijing数据集[Github链接] 异源变化检测数据集 1.Texas数据集 [Github链接] 2.Sardinia数据集[Github链接] 3.Californ
变化检测相关论文与代码
09-03
在给定的“变化检测相关论文与代码”压缩包中，我们可以预期包含一系列的研究论文，这些论文可能探讨了各种变化检测的理论、算法以及实际应用，同时可能还附带了一些相关的源代码，用于实现或验证这些理论。...
【毕设代码+论文】matlab回归法做图像变化检测。有图片有结果，有论文说明，可参照使用.rar
08-25
本资源提供了基于MATLAB的回归法实现图像变化检测的完整方案，包括源代码、实验结果和相关的理论说明。下面将详细介绍这个项目中的关键知识点。 一、图像变化检测 图像变化检测是指在连续的两帧或多帧图像之间，...
（论文+PPT+代码+实验结果）语音端点检测
05-14
实验结果部分展示了不同方法在特定数据集上的表现，可能包括精确度、召回率、F1分数等指标。这些结果有助于比较不同算法的性能，并为未来的研究提供参考。同时，实验部分也可能涵盖了对不同条件下的鲁棒性测试，比如...
HR遥感影像语义变化检测的双时空语义推理深度学习模型实现（复现论文，含几十页详细代码及解释）
03-07
内容概要：本文主要介绍了如何基于论文复现实现双时空语义推理（Bi-SR）网络，旨在从高分辨率遥感影像中检测和分析不同时间片的语义变化。主要内容涵盖模型的设计和实现，特别是数据集准备、复杂深度学习架构构建...
变化检测论文 ＩＥＥＥ
05-17
变化检测论文 image change detection algorithm：a systematic survey IEEE transaction
变化检测最常用数据集之一的CDD数据集
05-26
用于深度学习变化检测，包含同一地区不同时间的影像和标签文件。可用于神经网络的模型训练、验证、和测试等。适用于变化检测初学者，包含jpg文件和png文件，如需要转换格式脚本可与作者联系获取。希望该资源能够对您的研究提供帮助。
关于SAR影像变化检测常用数据集
03-19
本文件包含目前文章常用9个数据集，但仍缺失一些数据集，希望大家在下载的同时也把一些稀缺数据集分享出来。
变化检测MATLAB代码
01-02
三种代码，可以作为学习遥感图像变化检测的入门学习资料
变化检测数据集划分
始于足下
09-04 279
记录将变化检测数据集进行划分，将训练数据计划分为训练集和验证集。代码主要使用了shutil.copy函数
深度学习之遥感变化检测数据集整理
热门推荐
qq_41627642的博客
04-20 2万+
1、The River Data Set（高光谱河流变化检测数据） 该数据集包含两幅高光谱影像，分别于2013年5月3日和12月31日采集自中国江苏省的某河流地区，所用传感器为Earth Observing-1 (EO-1) Hyperion，光谱范围为0.4—2.5 μm，光谱分辨率为10 nm，空间分辨率为30 m，影像大小为463×241像素，共有242个光谱波段，去除噪声后有198个波段可用。影像中的主要变化类型是河道缩减。 图1 “River”数据集的高光谱影像 下载地址： 文件
LEVIR-CD：大规模建筑变化检测数据集
zzjlhlcd的博客
03-05 1039
例如，在训练深度学习模型时，准确的标注数据可以帮助模型更好地学习到变化区域的特征和模式，从而在实际应用中更准确地识别出建筑的增长、衰落以及其他土地利用变化情况，减少误判和漏判的发生，为相关领域的决策提供更可信的数据支持。LEVIR-CD数据集应运而生，它的出现为研究人员提供了一个丰富而可靠的研究平台，使得基于深度学习的遥感图像变化检测算法能够得到更充分的训练和优化，进而在城市规划、土地资源管理、环境监测等众多领域发挥重要作用，帮助我们更准确地了解和把握地球表面的动态变化，为科学决策提供有力支持。
变化检测（Change Detection）
qq_34717531的博客
09-21 4082
4）方法：为了解决这一问题，作者提出了一种基于VLM引导的半监督CD方法，即DiffMatch。为了解决当前大部分VLMs仅适用于单时相图像的问题，首先提出了基于VLM的混合变化事件生成策略（CEG），为未标记的CD数据生成伪标签。此外，通过自动生成的伪标签和改进的模型结构，这些技术可以在较低的标注开销下实现更高的精度和更好的性能，对于实时或大范围的监测应用尤为关键。3）背景：现有的变化检测方法需要大量的像素级标注数据，而标注这些数据是一项费时费力且昂贵的工作，尤其是对于多时相图像而言。
耕地变化检测数据集
最新发布
03-14
<think>好的，我现在需要帮助用户寻找用于耕地变化检测的农业遥感数据集。用户提到了三个引用，我需要仔细分析这些引用的内容，看看是否有相关的数据集信息。 首先看引用[1]，里面提到了2023年吉林一号杯的比赛，数据是吉林一号卫星影像，分辨率优于0.75米，有8000多组数据，包含两个时相的影像和标签。类别包括耕地变为道路、建筑等类型。这看起来是一个专门用于耕地变化检测的数据集，而且数据量较大，可能适合用户的需求。不过用户可能需要知道如何获取这个数据集，可能需要联系长光卫星或者查看比赛官网。 接下来是引用[2]，提到FTW全球农田边界数据集，有160万田块和7万样本，覆盖24个国家。这个数据集主要用于农田边界的识别，可能更适合耕地地块检测而不是变化检测，但用户的需求是变化检测，所以可能相关性稍低。不过如果用户需要多区域的泛化能力，这个数据集可能也有参考价值。 引用[3]中的数据集是吉林一号的耕地地块数据，主要用于语义分割，训练集和测试集数量较少，只有16和15张，但单张尺寸很大，有10000*8000左右。这可能适合耕地地块的识别，但变化检测需要多时相的数据，而这里的数据似乎没有提到时间序列，所以可能不完全符合用户需求。不过如果用户需要高分辨率的耕地数据，可以作为补充。 用户的问题是要寻找耕地变化检测的数据集，所以引用[1]的数据应该是最相关的。但可能需要说明获取方式，比如是否公开，是否需要申请或者参赛。此外，其他公开的数据集如LEVIR-CD、WHU-CD等也可以推荐，这些是常用的变化检测数据集，虽然不是专门针对耕地，但用户可以迁移应用。 另外，用户可能需要知道数据集的结构，比如是否包含多时相影像、标签格式、类别等。引用[1]的数据集包含两个时相的影像和标签，类别详细，适合变化检测任务。而FTW数据集更多是农田边界，可能没有时间维度。 还需要考虑数据的分辨率和覆盖区域。吉林一号的数据分辨率高，适合小目标检测，而FTW覆盖范围广，但分辨率可能不如吉林一号。用户的应用场景如果是高精度的小变化检测，吉林一号的数据更合适。 总结下来，我应该优先推荐引用[1]的数据集，并说明其优势，如高分辨率、多类别、数据量大。然后补充其他可能的数据集，如FTW和语义分割数据集，以及公开的通用变化检测数据集。同时提醒用户数据获取的途径，可能需要联系主办方或通过比赛获取，或者建议他们查阅相关论文和平台寻找公开数据。</think>### 农业遥感耕地变化检测数据集推荐 #### 1. **吉林一号高分辨率耕地变化检测数据集** - **特点**： - 分辨率优于$0.75$米，覆盖耕地变化类型$9$类（如耕地变建筑、道路变耕地等），适合小目标检测[^1] - 数据量：训练集$6000$组（含双时相影像及标签），测试集$2000$组，图像尺寸$256\times256$像素 - 应用场景：耕地“非农化”监测、土地管理政策评估 - **获取方式**： 需联系**长光卫星技术有限公司**或关注“吉林一号”杯赛事官网获取权限 #### 2. **FTW全球农田边界数据集** - **特点**： - 覆盖$24$个国家，包含$160$万农田边界和$7$万样本，支持跨区域模型泛化[^2] - 数据用途：更适合**农田边界提取**，可辅助耕地变化检测中的地块定位 - **获取方式**： 访问[Zenodo](https://zenodo.org/)或[Kaggle](https://www.kaggle.com/)搜索“FTW Farmland Dataset” #### 3. **吉林一号耕地地块语义分割数据集** - **特点**： - 四通道（B, G, R, NIR）高分辨率影像（$0.75$-$1.1$米），单张尺寸约$10000\times8000$像素[^3] - 标签包含耕地与非耕地二分类，需自行构建时间序列数据用于变化检测 - **获取方式**： 通过学术合作申请或关注遥感数据共享平台（如**国家地球系统科学数据中心**） --- #### **其他公开数据集推荐** - **LEVIR-CD**： - 包含$637$组双时相遥感影像，分辨率$0.5$米，标注建筑物变化，可迁移至耕地检测 - 下载地址：[LEVIR-CD GitHub](https://github.com/dr-life/LEVIR) - **WHU-CD**： - 涵盖城市建设变化，分辨率$0.075$米，适合高精度变化检测模型训练 - 下载地址：[WHU Dataset](http://study.rsgis.whu.edu.cn/) --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zy_destiny

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值