摘要
遥感图像变化检测任务是通过对比同一区域的不同时间状态，从而检测出发生变化的区域，对森林覆盖、城市规划等领域都有着重要的应用。随着遥感图像质量的提高，如何精准地识别出变化区域仍是一项挑战。近年来，国内外学者对深度学习算法的研究取得了突破性进展，尤其是卷积神经网络强大的特征表征能力使得其在图像领域得到了出色的表现。因此，深度学习算法被认定为是遥感图像变化检测任务的一种方式选择。为有效识别变化区域，进一步提高检测精度，本文基于深度学习技术，简要总结了现有的遥感图像变化检测方法，从孪生网络框架出发，采用U型网络结构提出了两种不同的遥感图像变化检测算法。本文的主要工作如下： （1）为了有效挖掘出真实的语义变化，避免冗余信息的干扰，在精准定位变化区域的同时充分提取细节变化信息，本文提出了基于多尺度融合的变化检测算法。该算法构造了输入金字塔用以提取并融合遥感图像不同尺度的特征信息，实现了输入图像的多尺度接收，增强了网络对图像特征信息的感知能力，并极大程度地避免了原始信息的丢失；通过长短期神经网络（Longshort-termmemory,LSTM）为差异特征动态分配权重，以此达到辨别真实语义变化信息的目的；提出了变化特征的多尺度计算方法，聚合不同区域的上下文信息，从而增强网络对特征信息的敏感度，提高网络获取图像全局信息的能力。 （2）为了充分融合变化区域的边缘信息，准确定位发生变化的区域并得到完整的变化检测结果，本文提出了基于边缘增强的变化检测算法。该算法迁移了VGG16（VisualGeometryGroup,VGG）网络的权重，用以拟合待检测遥感图像的特征，得到较为抽象的特征表示，为进一步处理特征信息做了充足准备；引入双重注意力机制，关注特征的空间维度及通道维度表示，并整合不同层次间的差异特征，得到真实的语义变化信息；提取并选择性融合不同层次的边缘变化信息，通过变化区域的边缘信息优化变化检测结果，提高总体的检测精度；提出一种新的混合损失函数，在网络梯度下降过程中更好地引导参数进行反向传播，降低变化边缘的影响，提升网络的鲁棒性。
NETL