本研究提出了一种变化适配网络（CANet），旨在解决遥感图像变化检测方法的泛化性能差的问题。CANet结合了共享与特定学习模块，通过轻量级适配器有效应对数据差异，快速适应新任务。实验结果表明，其在多个数据集上表现优异。

本研究解决了城市三维变化检测中多类语义信息提取和变化特征建模的难题。提出的多任务增强跨时间点变换器（ME-CPT）通过建立不同时期点云的时空对应关系和采用注意力机制，有效提取语义变化特征。此外，研究发布了一个22.5平方公里的三维语义变化检测数据集，对提高变化类型的可区分性和缓解样本不平衡具有重要意义。

本研究解决了现有对象级变化检测方法在评估无变化图像对、缺乏对应关系以及在不同领域的零样本泛化能力差等方面的不足。我们提出了一种新颖的方法，通过利用变化对应关系来指导变化检测器，显著提高了其准确性，并在变化检测及变化对应准确性方面实现了最新的技术成果，具有重要的实际应用潜力。

本研究提出了一种密集实例分离方法（DISep），解决了弱监督变化检测中的实例聚合问题。通过三步迭代训练，优化像素特征，提高了变化数量的准确量化，实验结果表明DISep显著提升了多种变化检测方法的性能。

该研究解决了传统多臂老虎机（MAB）算法在非平稳环境下应用的问题，通过分析具有变化点的分段平稳多臂老虎机环境（PS-MAB），提出一种基于变化检测的模块化设计和分析方法。研究结果表明，在特定条件下，可以统一获得不同变化检测器和老虎机算法组合的后悔界限，开发出新的模块化CDB程序，这些程序在性能上具有最优的订单性质。

本研究提出了新模型CCExpert，结合差异感知集成模块与高质量数据集CC-Foundation，显著提升了遥感图像变化检测的性能，展现出巨大潜力。

CDXFormer是一种新方法，利用扩展长短期记忆（XLSTM）提升遥感变化检测的准确性和效率。该方法通过特征增强层结合线性计算复杂性，解决了性能与效率之间的平衡问题。实验证明，CDXFormer在多个基准数据集上表现优异，具有重要的实际应用价值。

本研究利用高分辨率卫星影像和YOLOv7模型分析Ahmedabad市的树木变化，检测准确率达到80%，展示了深度学习在城市监测中的应用潜力。

本研究提出了变化检测问答与基础定位（CDQAG）任务，并构建了首个基准数据集QAG-360K，旨在解决遥感变化检测方法与用户互动的问题，展现了良好的应用潜力。

本研究解决了现有视觉-语言模型在捕捉地理景观时间动态方面的不足。通过引入一个标注的视频帧对数据集，并应用低秩适应等微调技术，本论文显著提升了模型在处理遥感时间变化的效果。研究结果表明，改进后的模型在描述土地利用变化的准确性方面优于现有方法。

本研究提出了一种名为KQT-EWMA的算法，用于实时检测多变量数据流中的变化。该算法结合内核量化树和指数加权移动平均，能够在低误报率下实现快速检测，具有高灵活性和实用性。

该研究探讨了遥感变化检测在环境监测和土地利用分析中的复杂性，强调深度学习在特征提取和数据融合中的优势，基础模型显著提高了检测效率和准确性。

由于多时相图像数据获取和标注成本高，现有变化检测数据集不足。为此，提出了ChangeNet数据集，包含31000对多时相图像，覆盖100个城市的复杂场景，并引入“非对称变化检测”任务。ChangeNet支持二值化和语义变化检测，提供六个像素级注释类别，超越现有数据集。基准测试显示其挑战性和重要性，促进变化检测算法的实际应用。

介绍了名为AnyChange的新变化检测模型，通过无关的自适应方法支持不同类型和数据分布的零样本预测和泛化。实验证明AnyChange在零样本变化检测方面有效，超过之前最佳结果4.4％。

卫星图像在地球监测、气候分析、生态评估和灾难响应中起重要作用。研究发现，空间偏移对模型性能影响最大，时间偏移对变化检测影响更大。

本文综述了航空数据分析中的计算机视觉任务，包括对象检测、变化检测、对象分割和场景级分析等关键任务。对不同架构和任务中使用的超参数进行了比较，并讨论了具有不同领域专业知识的库。通过案例研究，提出了实用解决方案来应对航空数据分析中的挑战，并指出了未解决的重要问题。

Transformer-XL是一种新的神经架构，解决了上下文破碎问题，超越了固定长度的依赖关系。它比普通的Transformers快1800多倍，并在短序列和长序列上表现更好。实验结果显示，Transformer-XL在多个语料库上表现优于当前最先进的结果。

本文介绍了一种基于深度学习的创新方法，使用去噪扩散模型将低分辨率图像转换为高分辨率图像，并解决了图像生成问题。通过训练和测试大规模多样的图像数据集，展示了该方法在变化检测方面的改善效果。