基于金字塔语义token全局信息增强的高分光学遥感影像变化检测

针对复杂背景、光谱变化等因素导致高分辨率遥感影像中细小地物检测缺失,几何结构检测不完整等问题,本文联合卷积网络和Transformer网络优势,提出一种基于金字塔语义token全局信息增强的变化检测网络(PST-GIENet)。首先,利用无最大池化层的ResNet18网络提取多时相影像深度特征以构建融合特征,并采用联合注意力机制和深监督策略提高融合特征表达能力;然后,通过空间金字塔池化将影像特征表示为多尺度语义token,进而利用Transformer编码器和解码器对融合特征空间进行全局上下文建模;最后,通过逐层上采样解码器生成最终变化图。为验证本文方法有效性,采用LEVIR-CD、CDD和WHU-CD 3个公开变化检测数据集进行对比试验与分析,定量结果表明PST-GIENet在3个数据集中均取得最优精度指标,其F 1值分别达到91.71%、96.16%和94.08%。目视结果表明PST-GIENet可有效抑制复杂背景、光谱变化等因素干扰,显著增强网络对地物边缘结构和多尺度变化的捕捉能力,取得最佳目视效果。

一种改进全卷积网络的遥感影像变化检测

针对传统变化检测方法依赖特征工程且自动化程度不高的问题,提出了一种基于改进全卷积网络的变化检测方法,可自动学习多层次特征图,实现端到端的变化检测。首先,将两期影像输入到两个共享权重的编码器以分别提取多维度特征图,并构造差值特征图以有效融合变化信息;然后,利用扩张卷积模块增加感受野以有效捕捉多尺度变化信息;最后,通过解码器层逐步增大特征图分辨率的同时恢复影像细节信息,并利用sigmoid层生成最终变化图。通过高分辨率遥感影像变化检测实验表明,该方法可显著降低变化检测虚检率和漏检率,提高变化检测的精度和可靠性。

MtSCCD:面向深度学习的土地利用场景分类与变化检测数据集

利用遥感影像识别土地利用类型及监测其变化情况在城市规划和土地利用优化等领域发挥着重要作用。当前,相关数据集存在样本量少、类别划分不合理、数据不开源等局限,难以满足样本驱动的深度学习遥感信息提取范式的需求。本文构建了一个面向深度学习的大规模场景分类与变化检测数据集MtSCCD (Multi-temporal Scene Classification and Change Detection)。该数据集包括MtSCCD_LUSC (MtSCCD Land Use Scene Classification)和MtSCCD_LUCD (MtSCCD Land Use Change Detection)两个子数据集,分别用于土地利用场景分类与变化检测任务。该数据集具有以下特点:(1) MtSCCD是目前规模最大的公开的土地利用类型识别与检测数据集,包含10种土地利用类型共65548幅图像,并且样本覆盖中国5个城市的中心区域;(2)由于MtSCCD数据集根据城市划分训练集、验证集以及测试集,对于新增的城市土地利用数据,可以根据需求划分为训练集与验证集或测试集,因此可扩展性较高;(3) MtSCCD数据集中测试集与训练集的样本来自不同的城市,因此符合实际业务需求,且能够验证模型的泛化性能。基于MtSCCD_LUSC和MtSCCD_LUCD两个子数据集,本文评估了多个深度学习网络的分类与变化检测效果,为后续的相关研究提供了参考。

基于局部-全局语义特征增强的遥感影像变化检测网络模型

尽管卷积神经网络(Convolutional Neural Network,CNN)已广泛应用于遥感影像变化检测任务,但CNN感受野有限,难以有效提取全局语义信息。针对上述问题,本文提出一种用于变化检测任务的端到端局部-全局特征增强的编-解码网络模型(Local-Global Feature Enhancement Network,LGE-Net)。在编码部分,LGE-Net利用CNN_ResNet34骨干网络分别获得双时相遥感影像局部语义特征,级联后输入Locally Enhanced Transformer(LE-Transformer)结构捕获远距离语义依赖,提取深层全局语义特征。在解码部分,嵌入语义增强模块(Context Enhancement Module,CEM)连接解码特征与多尺度局部特征,实现变化对象的准确定位与分割。此外,针对LE-Transformer各分块内部以及相邻分块序列间缺乏局部信息交互问题,设计了局部特征增强前馈网络(Locally Enhanced Feed Forward Network,LEFFN)。在LEVIR-CD和CDD变化检测数据集上的综合对比试验表明,本文提出LGE-Net模型取得的F1-score分别达到91.06%和94.78%,显著优于其他对比模型,可更加精准识别变化区域,进一步减少误检以及漏检率,且具有良好的泛化能力。

结合LiDAR点云和航空影像的建筑物三维变化检测

针对传统建筑物变化检测方法没有考虑高程信息的缺点,提出了一种结合LiDAR点云数据和航空影像的建筑物三维变化检测方法,可同时提取建筑物高程变化信息和面积变化信息。首先将不同时期的LiDAR点云分别生成数字表面模型(DSM);然后对不同时期的DSM进行差值、滤波和形态学操作,得到DSM变化区,并根据共线方程将其反投影到航空影像中,再使用航空影像的光谱、纹理等信息排除树木等伪变化区的干扰;最后计算高程变化值和面积变化值。试验结果表明,该方法能定量地提取高程和面积变化信息,提供更加全面准确的建筑物变化信息。

高分辨率遥感影像建筑物提取的注意力胶囊网络算法

高分辨率遥感影像建筑物自动提取在防灾减灾、灾害估损、城市规划和地形图制作等方面具有重要意义。但是,目前常用的传统卷积神经网络模型存在异变性强而同变性弱缺陷。针对该问题,本文提出一种基于通道和空间双注意力胶囊编码—解码网络DA-CapsNet(dual-attention capsule encoder-decoder network)的建筑物提取通用模型。该模型通过胶囊卷积和空间—通道双注意力模块增强高分辨率遥感影像中建筑物高阶特征表达能力,实现建筑物遮挡部分以及对非建筑不透水层的准确提取与区分。模型首先利用胶囊编码—解码结构提取并融合多尺度建筑物胶囊特征,获得高质量建筑物特征表达。之后,设计通道和空间注意力特征模块进一步增强建筑物上下文语义信息,提高模型性能。本文选取3种高分辨率建筑物数据集进行试验,最终的平均精度、召回率和F1-score分别为92.15%、92.07%和92.18%。结果表明,本文提出的DA-CapsNet能有效克服高分辨率遥感影像中的空间异质性、同物异谱、异物同谱以及阴影遮挡等影响,实现复杂环境下的高精度建筑物自动提取。