摘要
基于高分辨率遥感图像的变化检测任务，可以识别多时相影像数据同一空间位置的目标地物变化，对生态环境监测、耕地红线监测、灾害评估等应用领域有着重要意义。然而由于变化检测任务中的复杂遥感图像以及地物，现有算法在特征提取、特征融合、特征约束阶段都存在困难，造成算法应用能力受限。为此，本文结合遥感大数据的特性以及深度神经网络的性能优势，设计基于神经网络特征优化的变化检测算法，并开发一套完整的深度学习变化检测工具，形成针对复杂应用场景的变化检测解决方案，最终应用于大范围高分辨率的变化检测任务。 本文通过结合变化检测任务需求以及遥感影像和地物特性，针对当前变化检测算法存在的问题开展研究，具体研究内容包括: (1)针对当前算法在复杂场景特征提取能力不足的问题，构建基于对偶编-解码的多尺度特征优化网络。首先，面对当前缺少面向遥感图像变化检测任务的预训练模型的现状，设计基于自监督学习的预训练算法。算法通过设计伪标签构架策略，利用大量易获取的无标签遥感影像数据学习特征提取器，并用于优化下游变化检测任务。其次，针对主流变化检测模型骨架缺少对背景地物特征的抑制，进而造成伪变化的情况，设计对偶编-解码变化检测网络骨架。该网络骨架加入额外的对偶解码器结构，利用双时相解码器特征计算变化信息，进而避免抽象能力不够的浅层特征带来的误检。最后，遥感影像中存在大量复杂结构的多尺度地物，需要引入多尺度特征才能准确识别地物，为此设计多尺度特征交互模块，利用多层级多尺度特征间的信息交互，引入相邻尺度信息辅助识别地物，并准确判别变化。经过实验验证，该网络能够有效提取复杂前景地物特征，抑制背景地物特征，并准确的识别出变化信息。 (2)针对现有算法对多层级多时相特征融合困难的问题，构建基于transformer解码的邻域特征融合网络。网络针对变化检测任务中的双时相影像地物间偏移的情况，构建邻域特征相似度度，以邻域为基本单元度量特征间距离。同时，基于邻域相似度以及变化通道注意力模块，构建邻域特征融合模块。该模块通过变化通道注意力模块抑制无关特征通道的影响，进而通过邻域相似度更好的基于双时相特征计算变化信息，使得模型对空间偏移的双时相地物更加鲁棒。最后，针对变化检测算法对大尺寸遥感地物解码能力差，进而造成解码结果破碎的问题，设计多尺度transformer解码器。该解码器使用带滑动窗口的跨层注意力模块构建全局特征依赖，进而获取更完整的变化图斑。实验结果表明，该网络能够有效的对抗双时相地物的特征偏移，并针对大尺寸地物具有更好的解码效果，整体检测结果优于现有方法。 （3）针对现有网络对高分离度高定位精度特征约束缺失的问题，构建特征分离度增强的实例级特征约束策略。该策略包含两个损失函数设计:自监督学习特征约束策略以及实例级特征约束策略。自监督学习特征约束策略针对变化检测任务中部分地物特征分离度差，造成识别变化困难的问题，设计自监督损失函数。自监督损失函数通过引入变化检测任务固有约束，优化双时相地物特征的类内分离度以及类间分离度，获得更准确的变化图斑。实例级特征约束策略针对当前算法的约束方向与大部分实际业务需求偏移的情况，采取以变化图斑实例为基本单元计算损失，在优化变化检测算法的图斑定位精度同时，减少模型对小图斑的漏检和误检。该策略经过了消融实验以及对比试验验证，展示出了对高分离度特征学习的约束能力，并对变化图斑定位精度以及小图斑检测精度有着明显的提升。 （4）针对深度学习变化检测算法工具箱匮乏问题，设计稳定且功能完备的变化检测工具箱。工具箱提供变化检测通用功能以及大范围变化检测任务支持，支撑包括数据处理、算法设计、模型实验、工程生产等变化检测工作全流程工作。 （5）本文通过整合不同阶段特征优化算法构建特征优化网络，在省级变化检测数据集上开展算法应用能力验证。同时面向大范围的变化检测算法应用，设计相应的算法落地优化策略，在样本处理、数据增强、精度评价三方面提升模型应用能力。最终，通过结合特征优化算法，变化检测工具箱，以及大范围应用策略，完成了2020年河南省的第2/3季度间自然资源动态监测任务，整体召回率达到94.4％，精准率达到86.7％。
NETL