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.     

基于孪生注意力网络的高分辨率遥感影像变化检测

随着遥感影像空间分辨率的提升,地物成像特征愈加复杂,基于纹理表达和局部语义等技术的变化检测方法已很难满足需求.为提升高分辨率遥感影像的变化检测精度,构建了一套较大规模的0.8～2 m高分辨率遥感人类活动变化检测数据集(HRHCD-1.0);同时将空间注意力和通道注意力机制引入孪生变化检测网络中,设计了具有更强上下文变化...     

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%。...     

遥感影像要素提取的可变结构卷积神经网络方法

针对利用经典卷积神经网络提取遥感影像地物要素的方法中,模型容量受既定网络固有结构的限制而难以得到良好提取效果的问题,提出利用可变结构卷积神经网络的遥感影像要素提取方法。该方法将结构搜索与权重求解过程统一,在定义卷积神经网络架构的基础上将其中的关键结构作为变量,并以要素提取精度指标作为目标函数,利用遗传算法求解网络结构,最后以该网络为模型提取遥感影像中的目标要素。相关试验表明,可变结构卷积神经网络具备灵活的模型容量,对遥感影像中目标要素的提取效果良好。     

遥感影像变化图斑智能化提取平台研发与应用

遥感影像变化图斑智能化提取是自然资源动态监测工作的基础。本文简述了遥感影像变化检测技术演进历程及特点,提出同时使用ResNet、U-Net和孪生神经网络3种深度学习算法,设计了集“影像预处理、智能提取、协同筛查”于一体的遥感影像变化图斑智能化提取平台,并详细阐述了各功能模块设计思路。实践表明,融合3种深度学习算法有利于解决单一深度学习网络模型改造难度较大、适用范围有限等难题,有效提升了遥感影像变化检测的查全率,工作效率比目视解译提升超过3倍。研究成果已在湖南省自然资源“1+N”卫星监测工作中广泛应用。     

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%。     

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别，是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题，本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围，获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度，提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明，本文架构ZF模型和本文架构VGG-16模型的mean average precision （mAP）分别比Faster-RCNN ZF模型和Faster-RCNN VGG-16模型提高8.17%和8.31%，本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

基于深度学习差值分析的高分影像建筑物变化检测

高分辨率遥感影像的建筑物变化检测在灾害评估、城市管理等方面应用广泛.为提高建筑物变化检测精度,提出一种对不同时相的图像分别进行建筑物提取,再利用差值法进行变化检测提取建筑物变化结果的方法.首先利用基于分类验证原理对高分辨率遥感影像进行建筑物提取与优化,进一步将两幅不同时相的建筑物提取结果转化为两幅二值图像,在此基础上使用图像差值法得出图像变化的部分,最后对初步结果进行腐蚀膨胀等后处理,得到最终的变化结果.实验表明,该方法相对于直接利用原始影像进行变化检测,能够有效对变化建筑物进行检测并提高检测的精度.     

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。     

一种针对小样本的高分辨率遥感影像道路提取方法

针对高分辨率遥感影像道路提取过程中,深度学习方法较传统提取方法虽可有效地提高地物提取的精度,但需要大量样本训练,消耗较多计算资源,且大量高质量训练样本难以获得等问题,该文提出了一种将支持向量机(SVM)与卷积神经网络(CNN)结合的适用于小样本的道路提取混合模型,该模型能够在小样本训练时保证道路提取的精度。采用数据增强、正则化等方法优化训练策略,丰富小样本道路特征库,设计结合SVM的深度卷积神经网络结构来提取道路在影像中的高维特征,降低模型计算量,减少计算时间。以谷歌高分辨率遥感影像作为实验数据,用不同训练样本量来训练模型并验证道路提取的精度;同时,将该文提出的方法与逻辑回归(LR)模型、光谱结合SVM模型以及VGG16深度学习模型进行了道路提取效果的对比分析。结果表明:该文倡导模型方法在小样本情况下可以提取较高精度道路;与其他3种方法比较,该文方法能够快速构建与训练模型,在满足精度要求的同时,极大地提高了高分辨率遥感影像道路提取的效率,为道路数据的快速更新与变化检测提供了新的技术支持。     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄，导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构，获取待测遥感影像云特征；然后采用超像素分割方法进行影像分割；最后将检测结果影像块拼接，完成整幅影像云检测。试验效果评价表明，基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制，云检测精度高，误判较少，适合国产高分辨遥感影像云检测。     

高分辨率遥感影像场景变化检测的相似度方法北大核心CSCD

针对传统高分辨率遥感影像场景变化检测流程复杂且严重依赖分类结果的问题,本文提出了一种顾及场景全局与局部相似性的变化检测方法。首先,将同一区域两个时相的遥感影像裁切成固定尺寸的图像块,构造场景对图像库,并划分为训练集和测试集;其次,构建融合场景全局与局部相似性的双分支卷积神经网络,实现场景相似度学习;然后,利用训练的相似度学习网络提取训练集场景相似度,并通过阈值遍历的方法得到最佳的相似度阈值;最后,基于相似度阈值将测试集场景对划分为变化场景和未变化场景,得到最终的变化检测结果。试验结果表明,本文方法的总体精度为0.94,Kappa系数为0.88,优于传统的分类后变化检测方法,是一种简单有效的场景变化检测方法。     

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。     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法.首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各...     

建筑物变化的多特征融和及随机多图综合检测法

针对遥感影像建筑物变化检测过程中存在构造的差异影像凸显建筑物效果不理想 、提取训练样本质量差及分类精度低等问题,本文从差异影像构造、高质量训练样本提取及分类方法等3方面进行研究,提出一种基于多特征融合及随机多图的遥感影像建筑物变化检测方法.首先,把通过CVA获取不同时相遥感影像光谱特征差异图、纹理特征(灰度共生矩阵法)差异图及通过求差获取不同时相遥感影像形态学建筑物指数特征差异图、最佳尺度分割后的形状特征差异图按照一定比例相加来构造差异影像,从而有效凸显建筑物变化信息;然后采用构造的变分去噪模型对差异影像进行去噪处理,利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值算法对显著性图选取阈值得到的粗变化检测图进行预分类,从而获取高质量建筑物及非建筑物训练样本;最后,把从遥感影像及特征影像上提取建筑物和非建筑物训练样本的邻域特征引入随机多图分类模型中进行标签训练,并利用训练好的随机多图分类器对粗变化检测图进行建筑物变化检测,从而得到高精度的建筑物变化检测结果.为了验证本文方法的有效性,选择同源及多源遥感影像进行试验分析.试验结果表明,本文方法可以检测出更多建筑物变化信息及较少的非建筑物变化信息,同时Com值、Cor值及FM值也明显高于其他比较方法.     

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。     

顾及空间信息与全卷积神经网络的高分辨率遥感影像分类方法

针对高空间分辨率遥感影像分类中存在的特征选择困难和空间信息缺乏等问题,提出一种顾及空间信息与全卷积神经网络(fully convolutional network,FCN)的高分辨率遥感影像分类方法。该方法综合利用遥感影像的光谱信息与高程信息,首先,使用改进的全卷积神经网络逐层学习得到从底层到高层的特征映射;然后,利用Softmax分类器获得分类概率图;最后,将分类概率图和待分类影像同时输入条件随机场以强化空间信息约束,得到最终的分类结果。实验表明,该方法能有效提升高分辨率遥感影像的分类精度,减少分类噪声,在主观视觉效果和客观定量指标上均优于全卷积神经网络方法以及K近邻和支持向量机等传统分类方法,同时证明了数字表面模型用于高分辨率遥感影像分类的优势。     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。     

高分辨率遥感影像深度迁移可变形卷积的场景分类法

近年来基于深度卷积神经网络的高分辨率遥感影像场景分类成为广泛关注的焦点.由于现有深度卷积神经网络对遥感场景影像的几何形变不具有稳健性,本文提出了一种基于深度迁移可变形卷积神经网络(DTDCNN)的场景分类方法.该方法先利用大型自然场景数据集ImageNet上训练的深度模型提取遥感影像的深度特征,然后引入可变形卷积层,进一步学习对遥感场景的几何形变具有稳健性的深度特征.结果表明:增加可变形卷积后,DTDCNN在AID、UC-Merced和NWPU-RESISC45数据集上的精度分别提高了4.25％、1.9％ 和4.83％.该方法通过对场景中不同目标进行感受野自适应调整,增强了空间采样位置能力,有效提高了遥感场景分类的精度.     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向。采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别。本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中得到了较好的检测精度,证明在遥感影像数据中采用深度卷积神经网络进行目标识别有着广阔的应用前景。