awesome-semantic-change-detection
收藏github2026-03-10 更新2026-06-04 收录
下载链接:
https://github.com/ale93111/awesome-semantic-change-detection
下载链接
链接失效反馈官方服务:
资源简介:
该合集是一个关于遥感语义变化检测的资源列表,主要收录了与该领域相关的数据集、代码和竞赛信息。它覆盖了遥感图像中的语义变化检测主题,通过表格形式整理了相关论文、模型和代码链接,旨在为研究人员和开发者提供一个集中的参考资源集合。
This collection is a resource list dedicated to remote sensing semantic change detection, primarily compiling datasets, code, and competition information relevant to this domain. It covers the topic of semantic change detection in remote sensing imagery, organizes related papers, models, and code links in a tabular format, and aims to provide researchers and developers with a centralized reference resource collection.
创建时间:
2025-05-10
原始信息汇总
数据集详情总结
概述
该页面是一个关于遥感图像语义变化检测(Semantic Change Detection, SCD)的资源汇总仓库,收录了相关论文、数据集、基准测试结果以及工具库。
论文列表
页面列出了2019年至2025年间发表的语义变化检测相关论文,共30余篇,每篇均标注了发表的会议/期刊、是否提供代码,以及使用的模型名称。主要研究方向包括:
- 基于Transformer、Mamba、状态空间模型的新架构
- 多任务学习与特征融合
- 视觉基础模型(如SAM)的适配
- 开放词汇语义变化检测
基准测试(Benchmark)
页面以SECOND数据集为基准,给出了多个模型在mIoU(平均交并比)和SeK(语义变化评估指标)上的性能对比。当前表现最佳的模型为SCD-SAM(mIoU: 77.75, SeK: 32.44),其次为Semantic-CD(mIoU: 75.10)和FoBa(mIoU: 74.50)。
数据集列表
页面收录了6个公开的语义变化检测数据集,详细信息如下:
- ChangeNet (2023):31000对多时相图像,空间分辨率0.3米,涵盖100个城市的复杂场景,包含6类像素级标注(建筑、农田、裸地、水域、道路、未变化)。论文地址:https://arxiv.org/abs/2312.17428
- CNAM-CD (2023):2503对GeoTiff格式图像(512x512像素),空间分辨率0.5米,源自Google Earth,采集自中国12个国家级新区,时间跨度2013-2022年。论文地址:https://www.mdpi.com/2072-4292/15/9/2464
- Landsat SCD (2022):8468对图像(416x416像素),空间分辨率30米,包含4类地物(农田、沙漠、建筑、水域)和1个未变化类。论文地址:https://www.tandfonline.com/doi/full/10.1080/17538947.2022.2111470
- Hi-UCD (2020):以爱沙尼亚塔林市区为研究区域,提供2017-2018、2018-2019、2017-2019三个时间段的图像对,尺寸1024x1024像素,空间分辨率0.1米,包含9类地物(自然物:水域、草地、林地、裸地;人工物:建筑、温室、道路、桥梁;其他:变化相关)。论文地址:https://arxiv.org/abs/2011.03247
- SECOND (2020):4662对航空图像,尺寸512x512像素,采集自杭州、成都、上海等城市,包含6类地物(非植被地面、树木、低矮植被、水域、建筑、操场)。论文地址:https://arxiv.org/abs/2010.05687
- HRSCD (2019):291对RGB航空图像,提供像素级变化和土地覆盖标注,基于Urban Atlas 2006/2012及变化图生成。论文地址:https://www.sciencedirect.com/science/article/pii/S1077314219300992
工具与库
- Open-CD:基于通用视觉任务工具的开源变化检测工具箱。项目地址:https://github.com/likyoo/open-cd
- torchange:统一的变化表示学习基准库。项目地址:https://github.com/Z-Zheng/pytorch-change-models



