本文提出了一种自适应动态半监督学习方法AdaSemiCD，旨在解决遥感变化检测中的数据标注耗时问题。通过优化伪标签的使用和引入新模块，显著提升了模型的识别能力和训练稳定性。实验结果显示，该方法在多个数据集上表现优异。

该文综述了Segment Anything Model（SAM）的相关研究：有工作将CNN检测器与实例分割结合，以1/50的数据和50倍速度达到接近SAM的性能；有研究评估SAM的零样本分割能力，发现其通常媲美甚至超过专用模型，但在航空图像等场景会失败；还有研究将SAM用于遥感变化检测、个性化分割（PerSAM）、视频指代分割（RefSAM）及语义编码通信，并总结其优缺点与应用前景。

该文综述遥感变化检测的深度学习进展，涵盖多种方法：CADM利用扩散模型与动态差分条件编码增强区域注意力；ChangeFormer结合Transformer与Siamese网络实现多尺度变化检测；DASNet采用双注意力与加权损失缓解样本不均衡；EDiffSR以扩散概率模型提升超分辨率；此外还有全卷积Siamese结构、SDN边界增强、TransY-Net及无监督扩散高光谱方法等，这些方法在精度或效率上均优于基线。

该文汇总多项遥感变化检测研究：提出大规模高分辨率语义变化检测数据集及序列训练方案；STNet通过时空特征融合提升性能；自监督对比预训练缩小无监督与有监督差距；DeepCL结合度量学习与分割实现可解释检测；尺度不变学习解决跨分辨率问题；SCM利用视觉基础模型和CLIP改进无监督检测；半监督方法利用未标记双时相图像提升精度；另有基于特征差异、多尺度卷积云检测及慢特征分析的方法。