变化检测论文学习写作——摘要
论文1
A Lightweight Dual-branch Network for Building Change Detection in Remote Sensing Images Integrating Cross-Scale Coupling and BoundaryConstraint
第1-2句话：介绍背景
捕获空间细节和上下文语义对于在遥感图像中构建变化检测至关重要。然而，在传统的单分支特征提取网络中实现这两个方面面临着计算成本和模型大小的挑战。However,
开始就提出了三个点，1，要捕获空间细节和上下文语义；2，单分支有难度；3，计算成本和模型大小的难度。
第3-8句话：交代研究方法和内容
为了应对这些挑战，本文介绍了一种专为构建遥感图像变化检测而定制的轻量级神经模型。To tackle these challenges,
其主要贡献在于设计了用于高效特征提取的轻量级双分支、用于有效多尺度特征增强的跨尺度耦合模块（CSCM）以及用于边缘细节补偿的边界约束模块（BCM）。Its primary contribution lies in
具体来说，轻量级双分支可以有效地分别提取两个独立分支中的空间细节和上下文语义，从而生成变化的细节语义特征图。Specifically,
跨尺度耦合模块（CSCM）进一步丰富了变化特征图的语义和尺度表示能力，适应变化建筑的多尺度特征。
此外，边界约束模块（BCM）可以提高模型对变化建筑物边界的敏感度，减轻卷积和池化操作造成的边缘信息丢失。
第9-11句：交代实验数据和实验结果
结果，获得了用于建筑物变化检测的细粒度和高级语义特征图。（这句话可以不用要）
我们在 LEVIR 和 WHU 数据集上针对众多最先进的轻量级和非轻量级变化检测模型全面评估了我们提出的方法的有效性。结果表明，我们的方法不仅达到了显着的准确性，而且在效率上也很突出。The results demonstrate that
论文2
ISNet: Towards Improving Separability for Remote Sensing Image Change Detection
第1-3句话：介绍背景
深度学习通过提取判别性的层次特征极大地推动了遥感图像变化检测。然而，随着越来越高分辨率的遥感图像具有丰富的空间细节但有限的光谱信息，使用传统的骨干网络会导致层次特征之间的不同语义之间的界限变得模糊。这解释了为什么最终预测中的大多数误报分布在变化边界周围。However,
第4-8句话：交代研究方法和内容
为了缓解这个问题，我们注重特征细化，并提出了可提供改进的可分离性的深度学习网络（ISNet）。To alleviate the problem,
我们的 ISNet 从应用于细化双时态特征层次结构的两种策略中获得了优势：1）边缘最大化，澄清了变化和未变化语义之间的差距；2）注意力机制的有针对性的安排，指导通道注意力（CA）和空间注意力的使用（ SA）分别用于突出语义和位置信息。
具体来说，我们将 CA 模块插入到共享加权主干网络中，以促进特定语义的特征提取。然后通过边缘最大化模块澄清提取的双时态分层特征中的语义边界，然后通过 SA 模块来增强位置变化响应。自上而下的融合路径使得最终的细化特征涵盖多尺度表示，并且对于遥感图像变化检测具有很强的可分离性。Specifically,
第9-10句：交代实验数据和实验结果
广泛的实验评估表明，我们的 ISNet 在 LEVIR-CD、SYSU-CD 和 Season-Varying 数据集上的整体精度 (OA)、Intersection-of-Union (IoU) 和 F1 分数方面实现了最先进的性能。代码可在 https://github.com/xingronaldo/ISNet 获取。