一种融合多尺度混合注意力的建筑物变化检测模型

针对高分辨率遥感图像非真实变化所引起的错误检测问题,提出一种新颖的轻量化孪生神经网络建筑物变化检测模型。其中轻量化的特征提取模块可以获取不同尺度的局部上下文信息,使其充分学习局部和全局特征。由通道和空间注意力组成的混合注意力模块可以充分利用周围丰富的时空语义信息,以实现变化建筑物的准确提取。针对变化建筑物尺度跨度较大,容易导致建筑物边缘细节提取粗糙、小尺度建筑物漏检等问题,引入多尺度概念,将提取到的特征图划分为多个子区域,并分别引入混合注意力模块,最终将不同尺度的输出特征进行加权融合,以加强边缘细节提取能力。模型在WHU-CD、LEVIR-CD公开数据集进行实验,并分别取得87.8%和88.1%的F 1值,相较于6种对比模型具有更高的变化检测精度。

联合目标特征引导与多重注意力的建筑物变化检测

高分遥感影像具有丰富的细节特征,建筑物变化类型多,尺度差异大。针对建筑物变化在复杂环境中易出现空洞和遗漏的问题,本文提出联合目标特征引导与多重注意力的建筑物变化检测方法,通过建筑物目标级引导强化类别信息,实现高分辨影像精细变化信息提取。该方法由建筑物显著增强模块和目标引导的多重注意力模块组成,通过全局深层特征感知与融合,提取建筑物重点区域,结合目标级特征引导和多重自注意力强化特征表达,增强上下文特征相关关系,有效减少细节特征损失,解决目标空洞和边缘不清晰造成的细节损失问题。通过两组试验表明该方法能够提升准确率,在变化种类越多的场景中有效减少变化损失,提高算法稳定性。

量子多尺度融合的高分卫星影像建筑物变化检测

为了提高传统基于像元的高分辨率卫星影像变化检测方法的精度,本文提出了一种基于量子多尺度融合的高分卫星影像建筑物变化检测算法。首先,对双时相高分辨率卫星影像进行多尺度分割,构成多尺度影像数据集;然后,对多尺度影像数据集进行迭代慢特征变换,得到不同尺度的变化强度图,再利用量子理论对多尺度变化强度图进行融合,以得到融合后的变化强度图;最后,通过最大类间方差法完成变化强度图的阈值分割,得到二值化变化检测结果。利用两组不同时相的实际高分卫星影像,对本文算法进行了试验验证。试验结果表明,与单一尺度面向对象变化检测方法和熵权法多尺度融合方法相比,本文算法可以取得更高的建筑物变化检测精度。

改进的U-Net在建筑物变化检测中的应用

变化检测是对地观测应用中的一项重要任务。然而现有的基于深度学习的变化检测方法在高分遥感图像建筑物变化检测任务中仍存在变化对象和背景之间分界模糊、小变化目标漏检等问题。针对这些问题,提出了一种基于高斯差分金字塔和注意力特征传递的遥感图像建筑物变化检测方法。该方法采用编码器解码器结构,在编码阶段使用高斯差分金字塔获取双时相遥感图像多尺度边缘特征信息,融合不同尺度下的边缘特征信息,增强图像边缘特征表达能力。在解码部分引入注意力特征传递机制,将高层语义信息与低层建筑物细节有效融合,以捕获特征中的显著信息、抑制无效特征信息,提升小变化目标的检测能力。该方法在公开的LEVIR-CD、WHU-CD数据集上进行训练和测试。实验结果表明,相比于其他同类方法,改进方法在对不同尺度建筑物目标的变化检测中展现了良好的适应性,在保证较低算力消耗的基础上,精确率、召回率、F1和Kappa值方面均有较大提升。

结合等变交叉正则化的轻量化双分支建筑物变化检测网络

空间细节信息和语义上下文信息在建筑物变化检测研究中扮演着至关重要的角色。然而,在当下主流的单分支网络架构中,同时获取这两种信息会面临计算成本和模型大小方面的严峻挑战。为应对这一挑战,本文提出一种全新的轻量化双分支网络架构用于高效特征提取,并引入等变交叉正则化模块以增强特征表达,从而实现精细化的建筑物变化检测。具体地,轻量化双分支网络架构由细节分支、语义分支和双信息交互融合模块组成,能同时高效地捕获空间细节信息和语义上下文信息,以生成细粒度的深度语义变化特征图;同时,等变交叉正则化模块从隐式监督角度出发,在不增加网络参数的前提下,从语义和空间层面对变化特征图进行一致性约束,从而提高网络在变化建筑物尺度和边缘上的感知能力;为了验证方法的有效性,本文选用现有优秀的轻量化和非轻量化变化检测网络作为对比方法,分别在WHU、LEVIR两个数据集上开展对比实验。结果表明,在仅需2.27 M参数和4.25 G浮点运算的轻量化前提下,本文方法在两个数据集上分别实现了87.03%、83.41%的交并比精度,综合性能显著优于现有的轻量化和非轻量化变化检测方法。研究成果有望为未来的轻量化建筑物变化检测研究提供科学参考。

融合孪生神经网络与互注意力的建筑物变化检测

针对在双时相影像中提取建筑物变化区域时易出现漏检错检现象等问题,提出了一种基于孪生神经网络和多头注意力机制的遥感影像建筑物变化检测模型。该模型采用改进的轻量级网络MobileNetv2作为特征提取网络,设计了一种编解码结构的互注意力网络用于双时相遥感影像特征的交互融合,引入多头注意力机制实现了全局信息的上下文建模,对高级语义特征进行细化分析,充分利用了遥感影像的多尺度信息。该方法在LEVIR-CD和WHU数据集上的变化检测结果均优于其他主流分割网络,能够有效改善大型建筑物的内部空洞和漏检错检现象。

基于UNet模型的遥感影像建筑物变化检测研究

UNet是一个典型的对称U型网络,针对该网络无法准确地捕捉到建筑物的边界及细节信息的问题,提出了一个改进的UNet网络模型,即在UNet网络模型的跳跃连接中加入可以提高网络感知力的scSE注意力模块,同时将模型中的编码器更换为能够更好地捕捉图像细节和纹理的VGG19,对公开数据集LEVIR-CD进行建筑物变化检测实验。实验结果表明,该方法较于原方法虽然精确率下降0.66%,但是召回率和F1分数分别提高了13.18%和5.17%,说明该方法有效提升了UNet网络模型对建筑物边界及细节的识别,使建筑物变化检测的精度得到有效提升。

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。

基于影像密集匹配点云的建筑物变化检测方法

采用影像密集匹配点云开展变化检测能有效发现建筑物高度的变化。提出了一种融合深度神经网络与空间体素的影像密集匹配点云建筑物变化检测方法。首先构建注意力驱动的建筑物点云提取深度神经网络,再分别利用布料模拟滤波算法和植被指数剔除地面点和植被点云,最后通过空间体素比较提取建筑物点云变化。实验结果表明,该方法的漏检率为0%,且虚警率比传统方法降低了48.64%,说明其具有大幅提升违章建筑发现效率的潜力,能够满足实际生产需求。

基于改进型PSPNet模型的高分辨率遥感影像建筑物变化检测方法研究

针对复杂场景下小地物漏检,裸地、道路等干扰因素引起建筑物变化样本不足导致的精度低等问题,提出一种改进的金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)。搭建孪生PSPNet网络作为基础模型,通过融合不同尺度的特征层信息,提高小尺度地物的检测精度;其次针对变化样本不足问题,结合多任务思想,使语义任务和变化检测任务在同一个网络中进行,从而解决变化样本不足的问题。结果表明:改进后的PSPNet模型在建筑物变化检测中的精确率为92.35%,召回率为85.61%,F_(1)分数为0.8885。相比原始的PSPNet模型精度提升6.2%、12.03%和0.09。本研究可为复杂场景下建筑物变化检测提供技术支持。

基于Potree结构的建筑物变化检测方法

由于目前建筑物的检测所需要的计算成本相对较高,检测效率较为低下,为解决建筑物变化检测的需求越来越大与建筑物检测效率和计算成本之间的矛盾,本文设计一种基于Potree结构的建筑物变化检测方法,通过对比规划初期的BIM点云与实时获取的激光点云的差异性得出检测结果。结果显示:(1)该方法能够自动获取点云数据与规划BIM数据之间的差异;(2)较之于传统的方法提高了检测效率,降低了检测成本。

基于改进型UNet模型的遥感图像建筑物变化检测

建筑物变化检测是地表变化检测的重要内容之一。传统的目视解译效率低,而监督分类法提取建筑物精度有限,因而研究具有更高精度的计算机自动识别分类算法具有重要意义。文中提出一种改进型UNet模型,用于从高分辨率遥感图像中检测建筑物的变化。此方法把图像中每个像素划分为变化类或非变化类,由所有变化类的像素构成变化检测结果图。新模型引入带有深度可分离卷积的残差结构以改变UNet网络编码阶段的标准卷积操作,增强网络的鲁棒性和抑制过拟合;针对语义分割对非检测对象缺乏监测,小目标易被漏检问题,在UNet阶跃连接部分引入坐标注意力机制,增强对变化类特征的学习;在解码阶段引入特征金字塔结构,进行多尺度预测,通过额外的跃层连接,提高模型的特征重组能力,解决了解码阶段有些重要特征会在上采样中丢失的问题。实验结果表明,改进型UNet模型的提取准确率、召回率和F1值三种指标达到95%以上,具有优越的建筑物检测效果。

复杂城市场景的高分辨率遥感影像建筑物变化检测

近年来高分辨率遥感影像快速获取和处理能力的不断进步以及人工智能的崛起兴盛,极大地推动了违章建筑快速自动化检测识别,为城市规划建设和监测管理提供了一种系统高效的新技术手段。然而由于复杂场景中空间上下文的复杂性、建筑物的差异性和多样性以及投影差导致的影像上几何偏移和影像间位置差异,实际应用中主要还是依靠人工判读解译,导致工作效率低下,人力财力浪费严重,并且在海量遥感数据面前显得捉襟见肘。

利用倾斜影像重建点云的建筑物变化检测

城镇空间建筑物的变化检测是分析城市空间格局变化的一项重要内容。针对利用卫星影像检测建筑物变化过程中噪声、复杂边界等干扰难题,本文从不同期倾斜影像重建点云中自动提取建筑物平面和高度两个维度的准确变化信息。首先采用布料模拟滤波算法较大程度上减少地形点的影响;然后利用一种动态图神经网络深度学习方法,有效地检测出点云中的建筑物,通过前后两期点云分类后结果对比提取出建筑物的三维变化信息;最后选取杭州市萧山区局部区域的两期倾斜摄影测量密集匹配点云数据开展分析验证。结果表明,本文方法能够在大范围内快速实现可靠的建筑物变化检测,建筑物平面和高程两个维度的变化信息均有很好的反映,为城市精细化管理提供了一种有效方法。

深度学习算法的GF1影像建筑物变化信息提取

针对建筑物变化信息以及违建不易发现这一问题,本文利用高分一号(GF1)影像作为数据源,采用深度学习算法对建筑物变化信息以及违建信息实现自动识别与提取。研究结果表明:通过增加多个指数特征参数,建立的深度学习训练模型,能够自动识别GF1影像中建筑变化图斑,用户精度达到了95%。通过叠加分析可直接获取违法、违章建筑信息,为违建调查提供一种思路。

针对密度值信息的建筑物变化研究

为准确获取不同时间、同一位置影像中的建筑物变化情况,研究一个检测方法是十分必要的。本文基于影像中建筑物所在的区域密度与其它物体不同,探讨了一种基于依据密度值信息探测建筑物变化的检测方法。实验结果表明:在仿真模型和真实影像的建筑物变化状况探测中,均检测到建筑物的变化情况,且效果良好。

多特征与随机多图结合的建筑物变化检测方法

针对高分辨率遥感影像建筑物变化检测效果不理想、结果精度低等问题,提出了多特征与随机多图结合的建筑物变化检测方法。首先提取高分辨率遥感影像光谱、建筑物形态学指数、建筑物特征点等特征;然后采用不同方法分别对不同特征构造差异影像,并利用模糊C均值算法对差异影像进行建筑物变化检测初始提取,获取质量较好的训练样本;最后利用初始结果训练随机多图分类器,并利用训练好的随机多图分类器提取建筑物变化检测结果。结果表明,利用该方法的建筑物变化检测结果漏检、误检现象较少,正确率、漏检率、误检率分别为94%、14%和24%。

基于改进U-Net模型的航空影像建筑物变化检测

针对航空影像建筑物变化检测中存在的小目标变化类易被漏检和摄影倾角导致场景分割较为粗糙等问题,本文提出了一种基于改进U-Net模型的航空影像建筑物变化检测方法。首先,将注意力机制引入U-Net网络,从而放大变化类的像素特征来提高提取结果精度;其次,使用CRFs全连接条件随机场,对初步变化检测结果进行后处理,消除摄影倾角产生的阴影问题,优化建筑物边界轮廓。在WHU建筑物变化检测数据集上的实验结果表明,在引入注意力机制和CRFs全连接条件随机场后,建筑物变化检测结果的准确率、召回率、F1值和总体精度4项指标有了明显提升,分别达到0.884、0.870、0.950、0.859,均优于传统U-Net模型。

长短期记忆压缩激励全卷积神经网络建筑物变化检测

针对当前遥感影像建筑物变化检测未考虑时序信息,导致变化特征提取效果欠佳,本文提出了一种长短期记忆压缩激励全卷积神经网络。在全卷积神经网络框架下,搭建了结合长短期记忆网络与压缩激励网络原理的长短期记忆压缩激励单元,使算法能够充分结合纹理特征及时序特征优势,提高遥感影像建筑物变化检测精度。以遥感影像建筑物变化检测公开数据集LEVIR-CD作为实验数据对该方法进行验证,结果显示,F1-score达86.35%,相较于FC-EF、FC-CONC、FC-DIFF算法,F1-score分别高出2.35%、3.47%、4.52%。

基于Siam-UNet++的高分辨率遥感影像建筑物变化检测

本文提出了一种基于Siam-UNet++的高分辨率遥感影像建筑物变化检测方法。遥感影像建筑物变化检测是一项重要的任务,可以用于城市规划、环境监测等领域。然而,传统的变化检测方法在处理高分辨率影像时存在着困难和挑战。因此,我们提出了一种结合Siam-UNet++的方法来解决这些问题。该方法首先使用Siam-UNet++网络对输入影像进行特征提取和编码,然后通过对比两个时刻的特征图来实现建筑物变化的检测。实验结果表明,所提出的方法在高分辨率遥感影像建筑物变化检测任务中取得了优秀的性能,相较于传统方法具有更高的准确率和鲁棒性。