基于改进型UNet模型的遥感图像建筑物变化检测

建筑物变化检测是地表变化检测的重要内容之一。传统的目视解译效率低,而监督分类法提取建筑物精度有限,因而研究具有更高精度的计算机自动识别分类算法具有重要意义。文中提出一种改进型UNet模型,用于从高分辨率遥感图像中检测建筑物的变化。此方法把图像中每个像素划分为变化类或非变化类,由所有变化类的像素构成变化检测结果图。新模型引入带有深度可分离卷积的残差结构以改变UNet网络编码阶段的标准卷积操作,增强网络的鲁棒性和抑制过拟合;针对语义分割对非检测对象缺乏监测,小目标易被漏检问题,在UNet阶跃连接部分引入坐标注意力机制,增强对变化类特征的学习;在解码阶段引入特征金字塔结构,进行多尺度预测,通过额外的跃层连接,提高模型的特征重组能力,解决了解码阶段有些重要特征会在上采样中丢失的问题。实验结果表明,改进型UNet模型的提取准确率、召回率和F1值三种指标达到95%以上,具有优越的建筑物检测效果。