基于多尺度特征融合的遥感图像变化检测网络

为了解决多数变化检测算法中特征融合方式单一、对多尺度特征信息利用不充分导致的高分辨率遥感图像变化检测效果差的问题,本文提出了一种基于多尺度差异特征密集融合的遥感图像建筑物变化检测模型(MSDFNet).同时,引入了获取预测图像与标签图像之间差异图的算法,以便更加直观地观测到模型对建筑物变化区域的分割效果.在编码阶段,构建孪生骨干网络(VGG16)提取双时相遥感图像的多尺度特征信息,引入分离-混洗残差模块替代原始骨干网络中的二维卷积,减少模型参数量并缓解网络过深导致的浅层网络权重更新幅度过小甚至无法更新的问题;通过多尺度差异计算模块充分挖掘全局与局部的差异信息,获取变化语义信息的同时关注变化的空间细节信息.在解码阶段,引入通道注意力,重新构建不同层次差异特征通道之间的依赖关系,缩小不同层次差异特征之间的语义差距,并由深层网络到浅层网络逐层融合具有不同语义层次和空间位置表征的特征信息,得到更加精细的建筑物变化预测图像.本文算法在GZ-CD数据集和DSIFN数据集上的F1分数分别达到了91.50%和75.91%,IoU分别达到了84.98%和64.16%,对建筑物变化区域的轮廓分割更加完整,整体性能优于其他对比的变化检测算法.