基于特征金字塔的协作式变化检测网络

基于深度学习的变化检测方法在高分辨率遥感图像的应用越来越多。然而,在处理大尺寸遥感图像上,为适应GPU(图形处理器)内存限制而采用的降采样和裁剪策略,往往会导致语义信息不完整和图像细节丢失。本文提出了一种基于特征金字塔的协作式监督网络,使网络能够从裁剪和降采样的图像块中学习局部和整体特征。此外,还引入了一种特征共享机制来融合整体特征和局部特征。在LEVIR-CD(遥感变化检测数据集)和S2Looking(建筑物变化检测数据集)上对该网络进行了评估,并将其与一些代表性的变化检测网络进行了比较。对比实验表明:所提出的网络在多尺度变化检测方面表现更好,在LEVIR-CD数据集上精确率提高了2.69%,在S2Looking数据集上精确率和召回率分别提高了6.83%、2.68%。