摘要
精准、快速地从高分辨率遥感影像中获取建筑物的空间位置及变化信息在城市规划管理、军事侦测、灾害应急响应等应用中具有重要的意义。然而由于建筑物类型纷繁多样、尺度不一，加上非线性表示学习能力的限制，现有方法难以实现“一张图”式的识别及变化检测，解译方法智能化程度低与应用需求不断扩增之间的矛盾日益突出。近年来，随着新一轮科技革命和产业变革的大幕掀开，以深度学习为代表的人工智能技术掀起了摄影测量与遥感智能化的变革浪潮。本文以此为契机，针对当前研究存在的不足，从多个角度出发，围绕深度学习技术在高分辨率遥感影像建筑物识别及变化检测中的应用进行了深入的研究，具体研究内容如下： 1、针对带阴影的高分辨率遥感影像建筑物识别，提出了一种基于非局部阴影空间上下文特征的阴影检测方法，为被遮蔽的建筑物目标信息复原提供精确的阴影定位基础。首先，提出了一种非局部阴影空间上下文聚合方法，并将其嵌入到改进的U-Net模型中，实现了高分辨率遥感影像阴影自动化检测，较好地解决了阴影检测面临的语义混淆问题。同时，为支撑研究，还构建了一套容量大、多样性丰富、复杂度高的遥感影像阴影检测数据集。实验结果表明，采用所提的方法能够帮助建筑物识别模型提升带阴影的高分辨率遥感影像建筑物识别精度。 2、提出了一种尺度和边缘感知的高精度建筑物识别方法。该方法以密集空间金字塔池化、多层级特征融合优化和多任务驱动边缘感知为切入点，实现了较为精细的建筑物识别。首先，通过改进空洞卷积金字塔池化模块，发展了一种尺度不变性更为鲁棒的密集空间金字塔池化方法，有效地增强了模型对建筑物多尺度特征的刻画能力；其次，为充分利用浅层高分辨率特征，设计了注意力引导的浅层特征优化单元，用于在多层级特征融合前对浅层特征进行优化；最后，通过多任务驱动的方式，让网络聚焦易混淆的建筑物边缘区域，实现了边缘感知优化。通过与其他方法的对比，证明了所提方法有效地解决了基于深度学习的建筑物精细化识别的难题，在精度上优于同类型的建筑物识别方法和主流的语义分割模型。 3、针对基于深度学习的高分辨率遥感影像建筑物识别方法实时性能差的不足，提出了一种轻量化的建筑物识别模型。首先，通过改进基本残差块设计了一种多分支结构的轻量化主干网络；然后遵循先训练后部署的原则，应用结构重参数化方法构造了训练模型与推理模型之间的等价转换模式；最后吸收孪生网络思想，构造了双分支孪生结构的轻量化编码器。相比于传统方法，所提方法不仅可以利用多分支结构在训练时的优势，还可以规避其在推理时速度慢、内存占用高的缺点。实验结果表明，所提方法在识别精度与推理速度之间实现了最佳的总体性能，能够满足高分辨率遥感影像建筑物实时识别的需求。 4、针对高分辨率遥感影像建筑物变化检测配套样本集容量小和类别不平衡的特性，设计了一种前景感知的高性能轻量级变化检测模型。首先，基于残差分组的思想，提出了一种用于差异特征提取的高性能且轻量级的主干网络；其次，基于孪生对比表示学习的思想，设计了一种轻量级的差异表示学习架构，包括差异特征提取前端和差异表示学习后端；然后，针对变化前景与背景类别不平衡的问题，发展了一种前景感知损失动态加权的优化方法，用以削弱类别不平衡的影响；最后对影响变化检测的因素以及不同类型的变化检测方法的适用性进行了分析。实验结果表明，所提方法在精度和普适性方面大幅优于其他建筑物变化检测模型和通用变化检测模型。
NETL