高分影像变化检测的孪生差分特征融合网络     

李星华  黄艳媛 《测绘科学》2023,(5):129-139

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。  相似文献   

基于时空域密度异常的土地利用/土地覆盖短期变化检测          下载免费PDF全文

钱峻屏  王芳  黎夏  艾彬  叶嘉安  陈晓越 《遥感学报》2009,13(3):499-514

论文分析了时间序列遥感影像中土地利用/土地覆盖短期变化的特点及其时空异常特征, 认为和环境、物候等因素造成的影像变化相比, 由人为活动引起的土地利用/土地覆盖变化具有典型的时间和空间异常特征, 并提出了基于密度异常的土地利用短期变化检测方法。研究工作选取珠江口地区1—5月作物生长期间的3个时间序列Radarsat雷达影像进行试验, 在影像分割的基础上, 构建了基于对象的特征变化矢量, 并将密度异常检测算法(DBAD)扩展到变化矢量的N维特征空间上, 运用随机搜索策略确定检测参数, 对Radarsat时间序列变化矢量中的“小模式”事件进行了检测。检测结果认为, 密度异常检测算法检测的是变化矢量在特征空间的密度分布, 与变化矢量的强度和方向无关, 因此能在时间序列影像中分离出由典型的、正常的作物生长或农事活动引起的影像光谱或回波变化, 进而识别出由人为活动或突发事件导致的土地利用/土地覆盖变化, 这是通常的图像差值等方法难以做到的。进一步的抽样检测说明, 密度异常检测方法对新增建设用地的检测准确率最高(>88%)；林地地表覆盖相对稳定, 检测误差也很低(8%)；农用地和养殖水面的异常变化检测误差在11%—22%之间；较大的检测误差主要集中在建设用地、农用地和未利用地之间的转换(16%—25%)；此外, 养殖水面的检测误差主要集中在河流沿岸及水面变化较大的养殖区域。影像分割结果特别是一些线状分割图斑以及混合地类图斑对误差也有一定的影响。  相似文献   

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     

韦春桃  龚成  周永绪 《测绘学报》2023,(9):1538-1547

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。  相似文献