多尺度特征融合与空间优化的弱监督高分遥感建筑变化检测

针对建筑物变化检测中深度学习方法严重依赖大量高成本高难度的像素级标注样本进行模型训练的问题,本文提出一种基于图像级标注样本的高分辨率遥感建筑物弱监督变化检测方法MDF-LSR-Net。该方法首先提取双时相多尺度差异特征,并对多尺度差异特征进行渐进式融合,利用充分融合后的多层次多尺度差异特征来生成变化热力图;然后,利用低层融合差异特征的局部空间相似性来优化初始的变化热力图,进一步增强热力图中变化区域的完整性和准确性;最后,基于高质量的变化热力图训练最终的变化检测模型。在公开的建筑物变化检测数据集WHU和LEVIR上的多组试验结果表明,本文方法能够获取更加完整且准确的变化热力图,从而使得基于此训练的变化检测模型也取得更高的检测精度,其中最终的变化检测模型在WHU数据集上的IOU和F 1值分别可达65%和79%以上。