这篇文章主要目的是提出一个轻量化模型，能够支持手机等算力较小的平台使用。作者提出了Manifold of interest这个名词来论述当特征维度较小时使用RELU函数进行激活会导致信息丢失。这里我引用一下Classification基础实验系列四——MobileNet v2论文笔记与复现对这个名词的解释。

最近在学习变化检测，发现不少论文是得到，利用交叉熵等作为损失函数，这就导致了网络输出结果不少想要得到的差异图，需要经过一定的处理。通过几天时间的琢磨，我终于成功的将结果可视化，现将部分代码进行分享。...

Transformer本来是应用在NLP领域，ViT成功性的将Transformer引入了CD领域，何凯明大神在ViT的基础上进行了改进，提出了MAE。本篇文章便参考了MAE的框架，采用相同的Encoder，根据要解决的问题修改了Decoder部分。BIT_CD主要利用常见的Restnet的部分层作为特征提取器，通过编码将得到的特征图进行分块，然后送入TransformerEncoder、Tran

均方差损失（MSE）也称为L2损失，其数学公式如下：JMSE=1N∑i=1N(yi−yi‘)J_{MSE}=\frac{1}{N}\sum_{i=1}^{N}{(y_i-y_i^{`})}JMSE​=N1​i=1∑N​(yi​−yi‘​)在模型输出与真实值的误差服从高斯分布的假设下，最小化均方差损失函数与极大似然估计本质上是一致的。至于啥模型输出与真实值的误差服从高斯分布，这个还真的难说，极大似然

最近在学习变化检测，发现不少论文是得到，利用交叉熵等作为损失函数，这就导致了网络输出结果不少想要得到的差异图，需要经过一定的处理。通过几天时间的琢磨，我终于成功的将结果可视化，现将部分代码进行分享。...

以下为我阅读STANet论文的理解，如有不对，请批评指正。简单的讲，变化检测要做的事便是检测出输入的配准好的同源图像对变化的像素点，用差异图（如上图）来表示得到的检测结果，其中变化的像素点为白色、未变化的像素点为黑色。现阶段常用的提取图像特征的网络有Resnet-18等，但得到的图片特征尺寸和输入图像尺寸大小不一样，所以通常把特征提取网络提取的特征进行上采样（反卷积、插值法等），使得特征和输入图像

简单介绍DSAMNet论文

变化检测可以当成一个二分类问题，分成变化（P）的和没有变化（N）的像素点。差异图（CD）的Ground Truth中变化（T）和没有变化（F）则通过变化检测得到的预测结果和GT的组合有四种：TP、FP、FN、TNTP实际为正样本你预测为正样本，FN实际为正样本你预测为负样本，FP实际为负样本你预测为正样本，TN实际为负样本你预测为负样本。常见的变化检测指标有：Precision、Recall、F

图像噪声（image noise）是图像中一种亮度或颜色信息的随机变化(被拍摄物体本身并没有)，通常是电子噪声的表现。它一般是由扫描仪或数码相机的传感器和电路产生的，也可能是受胶片颗粒或者理想光电探测器中不可避免的的散粒噪声影响产生的。图像噪声是图像拍摄过程中不希望存在的副产品，给图像带来了错误和额外的信息。图像噪声的强度范围可以从具有良好光照条件的数字图片中难以察觉的微小的噪点，到光学天文学或射

1.网络结构图作者已经发现使用re-balancing方法可以提高模型性能，但是使用该方法会导致特征提取层模型性能下降。故作者想要结合这两个方法的优势，来进一步提高模型性能。作者的办法是使用一种累计学习策略，先学习通用模式，然后逐渐关注尾部数据。这里简单介绍一下这个网络的流程。首先通过两个部分共享的双分支网络，输入一个是具有长尾分布的数据集xcyc(x_c,y_c)xc​yc​，另一个是通过rev