1.Multitask learning for large-scale semantic change detection （2019 Computer Vision and Image Understanding）
1.提出1个用于变化检测的数据集：https://ieee-dataport.org/open-access/hrscd-high-resolution-semantic-change-detection-dataset
2.在既有图像的语义标注，又有图像的变化检测的标注时，比较4种变化检测的策略
其中，在第4种学习策略中，有两种训练策略：
4.1：损失函数为语义分割预测损失和变化检测预测损失的加权和，通过遍历找到最合适的超参数（损失权重）
4.2：先单独学习语义分割分支，然后固定该分支后，在学习变化检测分支
较详细的网络结构：
其他文献：
计算每个像素的描述符，计算描述符间的欧拉距离
我们能不能也计算每个像素周围区域的描述符的欧拉距离，记录超过阈值则表示此处找不到匹配，很可能为变化
Zoom out CNNs features for optical remote sensing change detection. In: Int. Conference on Image, Vision and Computing. pp.
2.Change Detection Based on Deep Siamese Convolutional Network for Optical Aerial Images
步骤：
（1）用孪生网络对图像中的每个像素提取特征（16维），设计损失函数使得提取的特征满足：没有变化的地区特征差异小，变化的地区特征差距大
损失函数：
（2）训练好网络后，通过阈值法和KNN方法得到最后的change map
相关文献：
In [7], a symmetric convolutional coupling network (SCCN) is applied to detect changes between optical
and SAR images 不同源的图像的处理
3.Learning Spectral-Spatial-Temporal Features via a Recurrent Convolutional Neural Network for Change Detection in Multispectral Imagery（2019 TGAS）
1.使用卷积提取空间相关特征
2.使用RNN提取两幅图时间相关特征，并测试了多种卷积结构
循环神经网络的内部网络图：
作者测试了3种循环神经网络
结果：
4.ChangeNet: Learning to Detect Changes in Satellite Images （2019 In 3rd ACM SIGSPATIAL International Workshop）
（1）生成器G是基于UNet的：The generator/change detector network G based on U-Net is built as a convolutional autoencoder with skip connections between mirrored layers in the encoder and decoder stacks, and adds a layer of Atrous Spatial Pyramid Pooling (ASPP) to robustly segment objects at multiple scales。生成器训练时的损失包括分类损失（Lseg）和Ladv
（2）鉴别器D是常规的分割网络：D输出是二维结果，每个像素表示一个真假的概率
训练数据：自己合成的数据，移除建筑和道路，然后用CycleGan增加季节变化和光照，反光变化等