基于RandLA-Net的机载激光雷达点云城市建筑物变化检测

利用遥感手段对城市建筑物进行变化检测可以快速准确地获取建筑物覆盖的变化信息,但是单纯基于影像数据难以快速、准确地进行三维变化检测,且传统基于点云的方法自动化程度低、精度差。针对这些问题,文章使用机载激光雷达点云数据,引入RandLA-Net的点云语义分割方法,提高变化检测的精度与自动化程度,同时通过点云投影的方式,克服了点云无序性导致的2期数据间无法差分的问题。标准RandLA-Net算法使用点的位置与颜色信息作为特征,并主要用于街景级点云的语义分割。该研究则使用城市大尺度机载点云数据,结合固有的反射强度与影像赋予点云的光谱信息,探究不同特征信息对结果精度的影响。同时,实验中发现除点云强度和光谱等特征外,点本身的坐标信息同样重要,转化为相对坐标使结果精度提升明显。实验结果表明,使用RandLA-Net网络对建筑物提取与变化检测获得的结果明显优于传统方法,且验证了使用深度学习方法处理激光雷达数据进行建筑物提取与变化检测的可行性,可以实现可靠的建筑物三维变化检测。

基于卷积神经网络的遥感图像变化检测

主要研究了针对目标区域的基于卷积神经网络的变化检测方法,对比了两种卷积神经网络的方法,包括使用以VGG16为网络结构,将图像裁剪为16×16的图块,以这些图块为单元,为每个图块做变化或不变化的标签,最终生成基于图块的变化图像。基于这种方法适合用于大面积变化明显的区域,对于变化范围较小的图像则不能很好地判断是否变化,其次是由于设置的图像块比较大,因此在提高训练速度的同时,难以保证良好的视觉效果。第二种是以Siamese Network为网络框架,基于编码解码的网络结构对其进行改进,通过两个通道分别输入前后时相的图像,每一次卷积后相减并利用跳跃连接与解码端的图像叠加提取特征,获得了良好的测试结果。