融合UNet++网络和注意力机制的高分辨率遥感影像变化检测算法

针对高分辨率遥感影像变化检测存在漏检和检测边界粗糙的问题,提出一种基于UNet++和注意力机制的高分辨率遥感影像变化检测算法.该算法采用UNet++网络作为基础网络提取特征,并在基本卷积单元中引入注意力机制突出重要特征,由此完成遥感影像端到端的变化检测.在高分辨率卫星影像变化检测数据集中进行了验证,相比于经典语义分割网络,该算法在精确率、召回率、F1值和总体精度上均有较大提升.     

孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。     

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。     

基于注意力增强全卷积神经网络的高分卫星影像建筑物提取

从卫星遥感影像中自动提取建筑物在国民经济社会发展中具有广泛的应用价值,由于卫星遥感影像存在地物遮挡、光照、背景环境等因素的影响,传统方法难以实现高精度建筑物提取。采用一种基于注意力增强的特征金字塔神经网络方法(FPN-SENet),利用多源高分辨率卫星影像和矢量成果数据快速构建大规模的像素级建筑物数据集(SCRS数据集),实现多源卫星影像的建筑物自动提取,并与常用的全卷积神经网络进行对比。研究结果表明:SCRS数据集的提取精度接近国际领先的卫星影像开源数据集,且假彩色数据精度高于真彩色数据; FPN-SENet的建筑物提取精度优于其他常用的全卷积神经网络;采用交叉熵和dice系数之和为损失函数能够提升建筑物提取精度,最好的分类模型在测试数据上的分类总体精度为95.2%,Kappa系数为79.0%,F1分值和IoU分别达到了81.7%和69.1%。该研究可为高分辨率卫星影像建筑物自动提取提供参考。     

面向建筑物边缘特征保持的遥感影像变化检测研究

随着深度学习技术在遥感变化检测领域的发展,许多基于卷积神经网络(CNNs)的变化检测算法得到了广泛的应用,但在建筑物变化检测中,仍存在样本不平衡、边界模糊等问题。为解决上述问题,提出基于孪生U-Net和边缘优化策略(Siamese U-Net and Edge Refinement Strategies, Siam-Unet-ERS)的建筑物变化检测方法。首先提出了边界优化策略,共享建筑物变化检测主任务和边界提取子任务之间的空间特征,以实现提升建筑物边界定位精度的目的。同时,设计了残差捷径模块,在不降低模型性能的同时提升模型收敛速率。网络在LEVIR-CD和WHU数据集上都经过验证和测试,分别达到了97.79%和98.92%的总体精度。实验结果表明,Siam-Unet-ERS方法优于一些以前较先进的变化检测方法。     

基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测

建筑物变化检测在城市环境监测、土地规划管理和违章违规建筑识别等应用中具有重要作用。针对传统孪生神经网络在影像变化检测中存在的检测边界与实际边界吻合度低的问题,本文结合面向对象图像分析技术,提出一种基于面向对象孪生神经网络（Obj-SiamNet）的高分辨率遥感影像变化检测方法,利用模糊集理论自动融合多尺度变化检测结果,并通过生成对抗网络实现训练样本迁移。该方法应用在高分二号和高分七号高分辨率卫星影像中,并与基于时空自注意力的变化检测模型（STANet）、视觉变化检测网络（ChangeNet）和孪生UNet神经网络模型（Siam-NestedUNet）进行比较。结果表明：（1）融合面向对象多尺度分割的检测结果较单一尺度分割的检测结果,召回率最高提升32%,F1指数最高提升25%,全局总体误差（GTC）最高降低7%;(2)在样本数量有限的情况下,通过生成对抗网络进行样本迁移,与未使用样本迁移前的检测结果相比,召回率最高提升16%,F1指数最高提升14%,GTC降低了9%;(3) Obj-SiamNet方法较其他变化检测方法,整体检测精度得到提升,F1指数最高提升23%,GTC最高降低9%。...     

基于LBP纹理与SegNet网络的灾损建筑物提取

高分辨率遥感影像中震后灾损建筑物提取是震害预估中极具重要的参考指标，研究遥感影像的震后灾损建筑物提取方法具有重要的科学意义。本文以青海玉树震后典型的灾损建筑物数据为研究对象，针对卷积神经网络对于城市建筑物纹理特征信息利用的不足，将局部二值模式(LBP)纹理特征与SegNet深度卷积神经网络相结合，采用有监督学习分类的方式训练卷积神经网络，实现震后灾损建筑物自动分类提取，并与传统面向对象提取方法进行对比。实验结果表明，LBP纹理特征与SegNet卷积神经网络模型相结合，对于震后灾损建筑物的提取能提高预测精度，用户精度与生产者精度分别有2%～7%,2%～9%的提升。     

基于端到端全卷积神经网络的道路提取

高分辨率遥感影像中道路网的提取是智能地物提取和分析的重要方面,研究遥感图像的道路提取方法具有重要科学意义。本文以马萨诸州航空影像道路数据集为试验数据,设计一种基于端到端的全卷积神经网络模型,基于此分别对郊区道路网以及城区密集道路网进行试验分析,并与传统的监督分类算法进行比较。试验结果表明,基于卷积神经网络的深度学习算法可较高精度地从高分辨率遥感影像中提取道路信息,召回率与F1评分有着25%～47%左右的提升。     

空洞卷积U-Net的遥感影像道路提取方法

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.     

融合空间和时序遥感信息的深度学习水稻提取

为了得到更加精细的水稻提取结果,提出一种结合高分辨率和多时序遥感影像的深度学习水稻提取方法.构建全卷积网络(FCN)对BJ-2高分辨率遥感影像进行分类,并利用长短期记忆网络(LSTM)和随机森林(RF)分类器对Sentinel-2多时序遥感影像进行分类,再通过面向对象的分割和投票对3种方法的分类结果进行融合,得到最终提...     

一种高分辨率遥感影像建筑物自动检测方法

高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息,有助于对地物目标进行认知和解译。而建筑物目标在人类活动区域内占据重要地位,对高分辨率遥感影像中的建筑物进行自动检测具有重大意义。提出了一种基于全卷积神经网络的建筑物自动检测方法,并制作了建筑物样本数据集,利用基于区域的全卷积神经网络和特征检测网络进行建筑物检测模型的参数训练,对待检测影像进行预处理之后利用模型进行建筑物检测,得到影像中的建筑物目标的具体位置和类别置信度。实验证明,提出的检测方法具有更好的效果和更快的速度。检测召回率达到92%,检测准确率达到98%,证明了该方法针对建筑物检测具有较高的精度和较强的稳定性。     

全卷积神经网络用于遥感影像水体提取

提出了一种全卷积神经网络模型用于遥感影像的水体目标提取的方法,介绍了全卷积神经网络的基本原理及构建3种网络模型的过程。为了分析模型效果,首先搜集带有水体的影像数据,并将这些数据标注为水体和背景两类,然后利用构建的全卷积神经网络模型进行推理和学习获取先验模型,最后对测试影像进行水体提取试验。通过与传统的基于影像光谱特征的阈值法和基于图论的Grab Cut算法提取结果进行比较,验证了本文方法的可行性。     

多时相遥感变化检测的动态贝叶斯网络研究

动态贝叶斯网络是20世纪90年代在贝叶斯网络基础上发展起来的、利用时序动态数据产生可靠概率推理的新方法，动态贝叶斯网络为实现遥感变化检测从静态到动态分析提供了一种新的途径。在实现了贝叶斯网络遥感数据分类的基础上，把握发展动态，探索了利用动态贝叶斯网络对多时相多特征遥感数据进行变化检测的问题。以北京东部地区1994年、2001年和2003年5月Landsat TM遥感数据为例，介绍了利用动态贝叶斯网络进行多时相遥感变化检测的基本过程。实验结果表明：动态贝叶斯网络算法可以一次性输入和处理多个时相的遥感数据，并通过概率和有向无环图表达了不同时间片段之间特征和状态变化的关系。     

基于深度学习的农村建筑物遥感影像检测

如何快速高效地从遥感影像中检测农村建筑物对农村地区发展研究有着重要意义。传统的目标检测依赖人工提取特征并不能充分挖掘数据之间的关联,以至于检测精度不高。本文利用建筑物和非建筑物影像在Caffe深度学习框架下对几种卷积神经网络进行训练和测试,改进后的Caffe Net网络结构提高了建筑物训练和测试速度。通过对比两个结构相似的神经网络,发现将池化层置于归一层前能显著提升卷积神经网络在遥感影像检测中的精度。实验结果表明,改进后的Caffe Net性能得到了提升,检测精度达到了95.00%,更适合大量数据的训练和测试。     

结合像元级和目标级的高分辨率遥感影像建筑物变化检测

快速、精准的建筑物变化检测对城市规划建设等业务管理具有重要意义。随着卫星遥感技术的快速发展,基于高分辨率遥感影像的建筑物变化检测得到了广泛关注。针对像元级建筑物变化检测方法往往精度不足而目标级建筑物变化检测方法过程烦琐等问题,本文提出结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法。首先综合高分辨率遥感影像的多维特征,利用随机森林分类器进行影像集分类,以获取像元级建筑物变化检测结果;然后对后时相遥感影像进行图像分割,获得影像对象;最后融合像元级建筑物变化检测结果和影像对象,识别变化的建筑物目标。利用双时相QuickBird高分辨率遥感影像进行建筑物变化检测试验,结果表明：本文提出的方法能够削弱光照、观测角度等环境差异对建筑物变化检测的影响,显著改善建筑物变化的检测精度。     

基于语义分割的遥感影像建筑物提取

针对在遥感影像的建筑物提取过程中,建筑物密集且离散分布带来提取效果一般的问题,采用一种特征信息增强的U-net网络.模型使用MobileNet主干网络做编码器,用于影像的建筑物特征提取,考虑到下采样时低维信息逐渐丢失,以致边缘提取效果不佳,网络结合形态学的膨胀和闭运算优化提取结果的精度.实验结果表明,在多场景高分辨率的武汉大学遥感影像建筑物数据集上,结合形态学后处理的M-Unet(MobileNet U-net)提取结果不仅在视觉效果上表现优异,而且在精确度、召回率、F1-score、平均交并比MIou(Mean Intersection overunion)4个指标上分别达到96.2％、76.6％、84.6％和74.5％,均优于相同主干网络下的Pspnet和Segnet.     

结合Faster R-CNN模型的遥感影像建筑物检测

高分辨率遥感影像场景复杂,其中建筑物目标种类结构各异且存在大量遮挡,现有检测算法使用特征表达性不强。结合Faster R-CNN模型设计一种针对遥感影像的建筑物检测方法。首先通过共享卷积网络获取原始影像的深层特征图;然后结合区域建议网络生成初步检测结果;最后根据Fast R-CNN检测网络对结果进行进一步判定和边界回归。针对困难样本造成的训练中断,对训练策略进行改进,通过近似联合训练的方法对模型参数同步调优。实验结果表明,该方法准确率和召回率明显优于DPM方法,对非训练测试集遥感影像具有较好鲁棒性,有效实现了针对遥感影像的建筑物检测。     

面向高分影像建筑物提取的多层次特征融合网络

建筑物规模及其分布是衡量一个地区经济社会发展状况的关键指标,因此研究基于遥感影像的建筑物提取具有重要意义。现有神经网络方法在建筑物提取的完整度、边缘精确度等方面仍存在不足,由此提出一种基于高分遥感影像的多层次特征融合网络(multi-level feature fusion network,MFFNet)。首先,利用边缘检测算子提升网络对建筑物边界的识别能力,同时借助多路径卷积融合模块多个维度提取建筑物特征,并引入大感受野卷积模块解决感受野大小对特征提取的限制问题;然后,对提取的特征进行融合,利用卷积注意力模块进行压缩,经金字塔池化进一步挖掘全局特征,从而实现建筑物的高精度提取。并与当前主流的UNet、PSPNet（pyramid scene parsing network）、多路径特征融合网络(multi attending path neural network, MAPNet)和MDNNet（multiscale-feature fusion deep neural networks with dilated convolution）方法进行对比,使用亚米级的武汉大学航空影像数据集、卫星数据集II（东亚）与Inria航空影像数据集作为实验数据进行测试, 结果发现,所提方法提取出的建筑物更为完整,边界更加精确。     

单类分类框架下的高分辨率遥感影像建筑物变化检测算法

针对现有机器学习方法在高分辨率遥感影像建筑物识别等领域需要正负训练样本同时参与,提出了一种基于一类样本、无需负样本参与的单分类建筑物变化检测算法。首先,提取影像的形态学建筑物指数特征;然后与光谱特征进行多特征融合,并基于该单类分类方法,从面向对象的角度出发,得到对象级建筑物变化检测结果;最后利用构建的一种新的形状特征进行精化,得到最终的建筑物变化检测结果。通过对多源高分辨率遥感影像开展实验,验证了该算法具有一定的鲁棒性,且相比于现有建筑物变化检测算法具有更优的检测精度。     

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征，对大范围复杂场景和多尺度的飞机目标稳健性较差，基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题，针对上述问题，本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点，采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索，快速获取疑似飞机目标作为兴趣区域，然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力，在卷积层中引入多层感知器，并在训练过程中采取多任务学习与离线难分样本挖掘的策略；在测试阶段，建立影像金字塔进行多级搜索，并结合非极大值抑制消除冗余窗口，从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试，结果表明，本文方法具有较高的准确性和较强的稳健性，可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。