DynamicEarth：我们距离开放词汇变化检测还有多远？
计算机视觉与模式识别
2025-01-23 v1
摘要
监测地球不断演化的土地覆盖状况需要能够检测跨越广泛类别和情境变化的方法。现有的变化检测方法因依赖预定义类别而受到阻碍，降低了其在开放世界应用中的有效性。为了解决这一问题，我们引入了开放词汇变化检测（OVCD），这是一项连接视觉与语言以检测任意类别变化的新任务。考虑到缺乏高质量数据和标注，我们提出了两个免训练框架，M-C-I 和 I-M-C，它们为 OVCD 任务利用并整合了现成的基础模型。M-C-I 框架背后的思想是发现所有潜在变化，然后对这些变化进行分类；而 I-M-C 框架的思想是识别所有感兴趣目标，然后确定其状态是否发生变化。基于这两个框架，我们实例化获得了若干方法，例如 SAM-DINOv2-SegEarth-OV、Grounding-DINO-SAM2-DINO 等。在 5 个基准数据集上的广泛评估表明，我们的 OVCD 方法相较于现有的有监督和无监督方法具有卓越的泛化能力和鲁棒性。为了支持持续探索，我们发布了 DynamicEarth，一个旨在推进 OVCD 研究与应用的专用代码库。https://likyoo.github.io/DynamicEarth
引用
@article{arxiv.2501.12931,
title = {DynamicEarth: How Far are We from Open-Vocabulary Change Detection?},
author = {Kaiyu Li and Xiangyong Cao and Yupeng Deng and Chao Pang and Zepeng Xin and Deyu Meng and Zhi Wang},
journal= {arXiv preprint arXiv:2501.12931},
year = {2025}
}