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。

本文介绍了一种基于深度学习的区域合并方法DeepMerge，用于处理大面积VHR图像的分割。该方法通过集成Transformer、多级嵌入模块、基于分割的特征嵌入模块和区域邻接图模型来处理问题，并使用改进的二叉树采样方法生成深度合并模型的多级输入。实验结果表明，DeepMerge具有最高的F值（0.9446），最低的TE（0.0962）和ED2（0.8989），能够正确地分割不同大小的对象，并且在定量和定性评估方面优于其他分割方法。