基于改进的UNet++的遥感影像建筑物变化检测

针对采用遥感影像进行建筑物变化检测中,小型建筑物易于漏检和错检的问题,文章提出一种改进的UNet++网络模型,即采用孪生结构(Siamese-diff)进行编码器构建,实现两个不同时相遥感影像特征的同步提取;在此基础上,采用VGG构建更深层次的网络结构,深度挖掘遥感影像中的深层特征;最后,在网络的跳跃连接部分引入注意力机制,增强网络对建筑物变化特征的学习能力。实验结果表明,新方法相比较于未改进前精确率提高3.1%,召回率提高1.8%,F1提高2.4%,说明新方法能够更好的识别变化的小型建筑物,有效的提升了建筑物变化检测的能力。

基于改进金字塔结构的遥感影像建筑物变化检测

针对遥感影像建筑物变化检测任务中存在的漏检、错检和建筑物边缘不完整的问题,文章提出一种基于金字塔结构改进的IFPNet网络,在FPN网络模型的基础上引入scSE注意力模块,同时将编码器替换为Inception V4对小目标进行精细化的提取。在实验条件相同的条件下选择UNet、UNet++、FPN、DeepLab V3+与文章的网络模型进行对比,实验结果表明改进的方法在召回率、IoU和F1三个指标上都取得了最优结果,与FPN相比召回率提升了8.61%,IoU提升了6.98%,F1值提升了4.45%,最终结果证明文章网络模型在进行建筑物变化检测任务时的优越性。