基于注意力密集连接金字塔网络的新增建设用地变化检测

城市新增建设用地变化迅速频繁、场景复杂等因素导致变化检测结果出现欠分割或过分割等问题,基于此本文提出了一种融合注意力机制的密集连接金字塔网络用于城市新增建设用地变化检测。在编码阶段运用卷积注意力模型提升对变化信息的关注度,突出重要特征;采用密集连接空洞卷积空间金字塔池化模块实现多尺度特征的提取与融合,提高特征的利用率与传播效率;在解码阶段通过对提取的特征图进行上采样还原图像的空间尺度特征。试验结果表明,该方法有效改善了欠分割与过分割问题,变化检测效果更好。     

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...     

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。     

融合Transformer结构的高分辨率遥感影像变化检测网络

为解决遥感影像变化检测全局上下文信息捕获的问题,本文提出了基于孪生结构、跳跃连接结构及Transformer结构的TSU-Net。该模型编码器采用混合CNN-Transformers结构,借助自注意力机制捕获遥感影像的全局上下文信息,增强了模型对于像素级遥感影像变化检测任务的长距离上下文建模能力。该模型在LEVIR-CD数据集和CDD数据集进行测试,F1得分分别为90.73和93.14,优于各对比模型。     

SAR影像变化检测的前景特征流形排序法EI北大核心CSCD

SAR影像变化检测的差异图分析法存在的两个问题:①连通区域内的部分变化区域易被误判为未变化区域;②中心先验假设并不适用于检测位于SAR影像边界的变化区域。本文针对以上两个问题设计了一种超像素分割和前景特征流行排序(manifold ranking,MR)的SAR影像变化检测方法(MRSFCD)。首先,通过单像素和邻域对数比算子进行加权融合构造差异图,可以保持变化区域内部的一致性并抑制噪声干扰。其次,对差异图进行超像素分割。然后,改进超像素的无向图连接方式,不对边界四周的超像素进行连接,利用超像素分割结果和灰度信息进行三次邻接。最后,将基于前景特征流行排序后得到的显著性图与单像素对数差异图进行点乘,对其进行阈值分割得到最终的二值变化图。本文通过采用3组双时相影像进行试验。结果表明,相较于其他变化检测算法,本文方法有效地提高了变化检测的精度。     

结合差异增强的异源遥感影像变化检测网络

针对现有变化检测方法中单分支网络将原始影像直接求和造成的差异信息损失以及中小目标误检等问题,提出一种基于U-Net的结合差异增强的变化检测网络。将差分图像经过通道注意力机制学习每个通道在特征表示中的差异性,生成与通道相关的权重;利用这些权重与原始图像加权求和,然后将特征增强后的两期图像融合后输入网络;接着通过密集残差块加强编码器信息传递和复用;利用不同形式和尺度的卷积进一步细化检测结果。所提方法在Sardinia和Shuguang数据集中与主流方法进行对比,相较于MUNet, OA分别提升了1.27%和0.74%;F1分别提升了5.32%和1.75%。结果表明,所提方法能够充分利用差异信息,对中小目标以及边缘细节有较高的分割能力。     

高分辨率遥感影像的随机森林变化检测方法

基于面向对象分析(OBIA)的遥感影像变化检测研究已取得显著的进展,代表了遥感影像变化检测的发展范式,未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法,其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势,提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割,通过最优超像素个数评价指数来获取最佳的影像分割结果,并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据,用于模型的训练。在初始像素级检测结果之上,自动进行分类样本选择并构建分类器模型,用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验,结果表明,本文方法在变化检测精度上要优于对比方法。     

基于多特征差异的随机森林遥感影像变化检测

为充分发挥遥感影像中多种特征的优势及不同时相影像对象之间特征差异优势,本文利用预测精度高性能稳定的随机森林算法,提出一种基于特征差异的面向对象变化检测方法.首先,基于变化向量分析法对影像进行像元级变化检测,并多尺度分割检测结果;然后,提取每个对象在前后时相影像上的光谱、纹理特征及特征差值作为随机森林的输入数据,在像素级...     

一种联合空间约束与差异特征聚合的变化检测网络EI北大核心CSCD

变化检测旨在观测地物在不同时序中的表达差异。深度学习已成为实现这一任务的主流手段,现有基于深度学习的遥感变化检测方法中,普遍更专注于对图像中的深度特征进行学习,而忽略了不同层级特征之间语义优势及差距,从而导致检测性能不足。为此,本文提出了一种联合空间约束与差异特征聚合的变化检测网络,通过控制特征信息在网络中的流动,消除检测对象底层特征和高层语义信息之间差异性,提高预测结果的质量。首先,利用孪生网络并结合特征金字塔结构生成多尺度差异特征;然后,使用所提出的坐标自注意力机制(CSAM)对低层特征进行空间约束,强化对变化区域边缘结构及精确位置的学习,并结合经典的卷积注意力模块充分捕捉上下文变化信息;最后,使用门控融合机制提取通道关系,控制多尺度特征的融合,以生成边界清晰、内部完整的变化图像。在变化检测数据集CDD和LEVIR-CD上对本文方法进行了试验,与已有变化检测网络模型进行比较,本文方法在不同场景下均表现出最佳的检测效果。     

融合多尺度特征注意力的遥感影像变化检测方法EI北大核心CSCD

深度学习技术已经成为遥感影像变化检测研究的主流方法,现有的基于深度学习的变化检测方法主要是获取单一尺度的变化特征,而在现实场景中,变化区域的尺度具有多样性。为此,本文提出了融合多尺度特征注意力的遥感影像变化检测方法,通过关注多尺度融合策略来解决变化检测存在的多尺度问题。首先,利用特征金字塔网络自身的多尺度特性,使网络学习到不同尺度的变化特征,为了提升网络感受野和利用全局特征信息,在特征提取网络末端引入扩张卷积空间金字塔模块;然后,在不同变化特征融合时,使用变化特征融合模块来控制信息传播以减少特征融合时的差异性;最后,使用门控机制,将不同尺度预测的变化特征图进行加权求和,最终产生具有高精度的变化特征图。本文方法不仅能获取多尺度变化特征,还能利用全局信息和精确的空间细节来提升预测特征图的空间精度。对比试验表明,本文方法在变化检测基准数据集CDD和LEVIR-CD上取得了较好的结果,召回率分别提高了6.58%和5.26%。     

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.     

基于深度学习的高分辨率遥感影像自动变化检测

我国城市化发展迅速,地表利用信息处于不断变动中,及时掌握这些变化信息十分必要.但实际作业中,变化信息获取方式仍然以高人力成本方法,如实地外业调查或者目视遥感影像判读为主,生产效率低.因此,本文提出了一种基于语义分割的深度学习变化检测方法.首先,利用编码-解码深度卷积网络,实现遥感影像地物的自动分类;然后,利用Mean-Shift方法分割前后期影像,融合其光谱、纹理和语义信息等特征,对比前后期影像的特征差异,提取出变化置信度图;最后通过EM算法分割变化与未变化类生成二值变化图,得出变化区域范围.该方法为自动化实现地物变化监测提供了有效的解决办案,实验证明,该方法相比人工以及传统分类模型具有更好的检测精度,有效降低了内外业工作量.     

结合特征选择的CVA多尺度遥感影像变化检测

针对在多时相变化检测中，面向对象方法无法较好地检测影像中的细微变化，受分割效果以及面向像素方法的影响出现较高虚警率等问题，本文提出了一种结合基于像素的多特征变化向量分析法（CVA）与基于对象的多层次分割的联合判别方法。首先提取不同时相的光谱与纹理特征，利用最大相关最小冗余（mRMR）算法进行特征选择并通过CVA得到像素级变化检测结果；然后对两幅影像进行叠合分割，利用区域合并策略进行不同尺度检测并获取各尺度检测结果；最后结合多种检测结果进行融合，获得最终变化检测结果。检测结果表明本文所提方法能有效降低漏检率，同时提高了检测的准确性。     

融合像素级和对象级的遥感图像变化检测方法

针对现有遥感影像变化检测方法常存在的检测结果破碎、虚检较多、对数据匹配要求高等问题。提出了一种融合像素级和对象级的遥感图像变化检测方法。利用光谱和纹理信息构建单高斯模型,在多尺度上进行像素级变化检测。然后,以像素级检测结果为种子区域,同时在变化前后影像上区域生长,融合生长结果提取变化对象。最后,依据检测需求对变化对象进行特征分类并滤除虚警。实验结果表明,该方法降低了虚检,保持了变化区域的结构完整性,在变化前后图像分辨率存在一定差别时仍有较高的检测精度。     

堆叠降噪自编码器的影像特征融合变化检测

提出一种基于堆叠降噪自编码器的影像特征融合变化检测方法.首先在影像分割对象的像素级特征和对象级特征分析、设计与提取基础上,通过像素级特征主成分分析与特征优选处理算法,实现遥感影像多类型特征融合并构建分割对象的多维特征向量;其次利用堆叠降噪自编码器的高维复杂数据处理能力,实现遥感影像多维融合特征的变化检测.实验结果表明,该方法与传统的像素级或对象级特征变化检测方法相比,具有更高的变化检测精度.     

基于区域特征的高分辨率遥感影像变化检测研究

传统像素级变化检测往往忽略邻近有意义的整片区域的空间、纹理、结构等信息,对高分辨率遥感影像具有很大的局限性。本文利用面向对象的思想,提出了一种基于区域特征的特定目标变化检测方法。该方法的技术流程包括:数据预处理;同质区域获取;区域特征选择;同名区域搜索;区域特征比较;变化检测精度评价及变化显示。利用提出的方法对伊朗2003年地震前后的巴姆古城标志性建筑进行检测,总体精度达到89.73%。     

联合概率密度空间的遥感自适应变化检测方法

多种因素引起的辐射特征变化,将造成阈值法变化检测的误检。对此,本文提出了一种联合概率密度空间的多阈值自适应变化检测方法。首先,将影像从像素空间转化到联合概率密度空间,将变化地物定义为联合概率密度空间的离群点,并采用迭代方法将其提取,然后映射回原始影像后确定变化区域。选取两种典型应用进行试验,结果表明,本文方法在正确率、误检率和漏检率方面优于传统方法,具有较好的稳健性。     

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%。...     

多特征模糊融合的SAR影像变化检测

针对利用SAR影像单特征变化检测精度低的问题,该文提出了一种基于模糊理论的多特征融合的变化检测方法。首先计算前后时相SAR影像的灰度、梯度和纹理特征的结构相似度,然后用Sigmoid型隶属函数描述相似度阈值附近的不确定性,计算像素分别属于变化类和非变化类的隶属度,最后根据最大隶属度原则将模糊量输出为确定量,得到融合后的变化检测图。通过两组真实SAR数据实验表明:该方法明显优于传统的方法,也提高了基于单一特征变化检测结果的精度。     

高分影像变化检测的孪生差分特征融合网络

针对目前高空间分辨率光学遥感影像地表变化检测面临的挑战，该文提出一种孪生差分特征融合网络方法，一方面增强了对深层变化特征的提取能力，通过差分特征能更好地引导网络学习；另一方面在网络末端引入深监督策略，有效融合多尺度信息，充分利用不同语义层次特征，从而生成高精度的变化检测结果。此外，还设计了顾及样本不均衡问题的损失函数，降低正负样本极度不平衡对模型训练的负面影响。为了评估该文提出方法的有效性和优势，在两个公开变化检测数据集上将其与5种具有代表性的变化检测方法进行对比实验，结果证明该方法能有效提升变化检测的精度，并且对尺度差异明显的地物有较强的检测能力，在轮廓细化上具有显著优势。