摘要
遥感图像作为人类对地观测的主要手段，遥感图像变化检测任务对植被覆盖、城市规划和抢险救灾等工作有着重要的指导作用。随着遥感图像分辨率的日益提升，传统变化检测方法已不能满足需求。因此，本文利用深度学习技术，从下列三个方面进行高分辨率遥感图像变化检测方法研究： 1.基于度量学习的遥感图像变化检测方法。本文构建了一种基于度量学习的孪生变化检测网络，通过孪生网络分别提取出不同时相遥感图像的多层次特征，然后通过度量学习增大变化像素对之间的距离、减小未变化像素对之间的距离。为平衡特征图中的细节和语义信息，引入了空洞卷积和特征金字塔网络，有效解决了变化目标边界不清晰的问题。此外，本文引入类平衡对比损失函数来自适应地调整对正负样本的惩罚力度，从而获得更好的变化检测结果。 2.基于Transformer时空信息增强的变化检测方法。由于度量学习方法分类时未考虑与周围像素对之间的关系，因此容易出现噪点多的问题。为解决上述问题，本文利用一个浅层神经网络作为分类器，直接将特征图中的像素值转换为类别预测概率，完成像素对的密集分类。为弥补卷积操作只能提取局部特征依赖的缺陷，本文引入了Transformer时空信息增强模块，将特征图中的像素用紧凑的语义标记表示，实现对深层特征图的时空上下文语义建模和冗余信息去除，从而得到更鲁棒的特征。 3.基于多尺度差分特征融合的变化检测方法。将目标地物的变化看作一种语义信息，则变化检测任务可看作是一种语义分割任务。将U-Net网络的编码网络部分改为孪生网络结构，然后利用差分运算融合双时相遥感图像的多尺度特征，获得不同时相遥感图像之间的多尺度差分特征。最后对融合后的多尺度差分特征进行解码，得到最终的变化检测结果。本文引入了注意力时空特征融合操作，以提取双时相遥感图像特征图中丰富的时空上下文信息，从而改善变化检测结果。
NETL