基于W-Net的高分辨率遥感数据建筑物变化检测
这是一篇关于高分辨率遥感,深度学习,建筑物变化检测,压缩-激励W-Net,2D/3D的论文, 主要内容为随着航空航天技术、计算机技术的发展,遥感对地观测突破了数据获取、传输和存储的瓶颈,逐步走向自动化和智能化的新阶段。遥感数据的空间分辨率不断提高、数据类型不断丰富,给遥感变化检测研究提供了优质、多样化的数据源。建筑物变化检测是变化检测领域的研究热点,也是对地观测中的核心问题之一,近些年来受到了广泛关注。建筑的变化能够很大程度上体现城市化的进程,对建筑变化的准确、有效评价是获取可靠城市变化信息的有力手段,也是政府管理、经济建设、社会学研究等领域的迫切须要。高分辨率遥感影像包含地物更加丰富、细致的特征信息,为建筑物的变化检测研究带来了新的科学视野。但出现了影像光谱特征混淆、光谱域统计可分性低、信息提取难度大的难题。由于影像光谱复杂性以及建筑物本身差异性的双重影响,基于高分辨率遥感影像和多源数据综合的建筑物变化检测亟待高效、精确、智能的理论研究与方法创新。另外,城市化进程的加快对建筑物变化检测提出了新的要求,能够同时满足2D和3D变化检测的理论方法,具有很高的研究价值。本文基于深度学习的理论手段,通过构造新型网络模型,设计了一套考虑多源遥感数据及数据特征的新型建筑物2D和3D变化检测方法。以U-Net为基础设计了一种新型的、可同时输入多源/多特征同质和异质数据的、通过压缩-激励策略考虑输入数据内部关系的双侧端到端W形网络,并将其命名为压缩-激励WNet。该网络是将U-Net改造为双侧输入单路输出、双侧权值独立、可兼顾两侧数据(同质、异质数据)影响的,用于遥感领域变化检测任务的网络结构。基于2D和3D各两组实验数据进行了模型和方法验证,本文提出的基于压缩-激励W-Net的建筑物变化检测方法,主要包括以下三个方面的研究及成果:(1)所提出的压缩-激励W-Net是一款功能较强且通用的网络结构,它能够通过结构化的对称体系结构学习同质和异质数据中蕴含的抽象特征,且其双向对称、结构合理。(2)双侧输入端不仅满足多源数据的输入,而且考虑了由多源数据衍生出的多种特征。创新性地引入压缩-激励模块,作为显性建模通道间相互依赖关系的策略。使得网络的指向性更强,能够对特征通道重新校准,强调重要特征、抑制次要特征。而且,压缩-激励模块嵌于各卷积运算之间,可以改善卷积操作只能顾及局部感受域内信息特征的不足,提高网络的全局感受能力。(3)多源多特征组合作为模型输入的思想,集成了光谱、纹理和结构等信息优势,能够显著提高模型的鲁棒性。对建筑物这种呈现复杂空间格局、具有多尺度特征、个体之间差异较大的特定地物的针对性更强,检测精度更高。
基于高分辨率遥感影像的建筑物变化检测算法
这是一篇关于建筑物变化检测,高分辨率遥感图像,注意力机制,视觉transformer,深度卷积神经网络的论文, 主要内容为近年来,随着遥感技术的进步,从遥感影像中检测建筑物的变化已经成为检测地表变化的一种重要方式,对探索土地资源利用和确定灾后建筑物损毁有着重要意义。因为深度学习强大的特征提取能力和端到端的快速检测能力,它已经被广泛应用到变化检测任务中。然而,一些现有的基于深度学习的算法在面对复杂的建筑物特征时存在着一些缺陷,比如捕捉建筑物边缘信息的能力不足,对小尺度目标检测能力差,难以区分相邻位置的建筑等。针对以上问题,本文基于深度学习方法,对高分辨率遥感影像中的建筑物变化进行研究,主要工作如下:1)总结对比传统算法和深度学习的算法,指出传统方法的不足和深度学习方法的优势,尤其在特征提取方面,深度学习方法显著优于传统方法。此外,介绍了深度学习理论知识,以便更好地理解本文所提出的算法。2)针对一些变化检测算法对原始图像的信息(如建筑物边缘的细节)利用不足、对小尺度建筑物或受其他建筑物干扰的变化区域小的建筑物检测效果差的问题,本文提出了一种基于注意力的多尺度输入输出网络,命名为AMIO-Net。它通过多尺度输入输出结构增强了网络对原始图像特征信息的利用能力。同时,利用金字塔池化注意力模块(PPAM)和孪生注意力机制模块(SAMM),在充分考虑全局上下文信息的同时,增强了对小目标的检测能力。在三个公开数据集(LEVIR-CD,Google,S2Looking)上的实验表明,和经典方法(如FCN、Seg Net等)相比,本算法的F1分数在三个数据集上的提升分别达到5.28%-15.32%,11.31%-21.53%,12.29%-26.13%。同先进方法(如SNUNet、STANet等)相比,本算法的F1分数提升分别达到2.27%-6.56%,6.83%-24.08%,6.81%-15.73%。3)针对部分算法由于特征提取能力不足而对不规则形状的目标建筑检测效果差、难以区分位置相近的不同建筑间的变化等问题,本文提出了一种结合UNet编码器和视觉transformer结构的特征增强网络(FENET-UEVTS)来检测高分辨率遥感图像中的建筑物变化。该模型将深度卷积神经网络与视觉transformer结构(VTS)的一部分相结合,对各种建筑物都有很强的特征提取能力,其中VTS主要为不同级别特征图的建筑物提供空间相关性。本文设计了一种增强特征提取器,由空间和通道注意力模块(SCAM)、U形残差模块(USRM)、增强特征提取模块(SFEM)、和自注意力特征融合模块(SAFFM)组成,用来提高网络对不同形状的建筑物及其边缘细节的特征提取能力。此外,为了减少特征图合并时的信息丢失,设计了一个跨通道上下文语义聚合模块(CCSAM)在通道维度上执行信息聚合。为了验证所提出模型的有效性和先进性,在三个公开的变化检测数据集(LEVIR-CD,WHU-CD,CDD)上与其它8个先进算法(如SNUNET、BIT、Change Former等)进行了大量对比实验。结果表明,FENET-UEVTS的F1分数在三个数据集上分别提升了3.68%-13.5%,3.24%-23.63%,3.98%-44.69%,而KAPPA系数则分别提升了3.86%-14.21%,3.69%-28.48%,4.34%-47.07%。
基于深度学习的高分辨率遥感影像建筑物提取与变化检测研究
这是一篇关于高分辨率遥感影像,建筑物提取,建筑物变化检测,深度学习的论文, 主要内容为高分辨率遥感影像能提供丰富的地物信息,是建筑物信息获取的重要手段。其中,建筑物的提取可以快速了解城市空间的分布特征,建筑物的变化检测也为社会经济的规划布局提供了分析条件。从影像中进行科学、准确、及时的研究建筑物信息,对城市规划发展、城市的动态变化和灾害预防等具有重要意义。在传统的高分辨率遥感影像建筑物提取方法中,大多依赖于先验知识和人工特征提取,人工记录和野外调查的方法需要具有相关经验和知识的人员,存在成本高昂且效率低下的问题。基于深度学习技术的建筑物提取模式,不仅能快速获取城市全区域不同时段的信息,还能够适应数字化时代的发展和需求。因此,本文基于深度学习的高分辨率遥感影像进行建筑物提取与变化检测的研究实验,主要工作如下:(1)针对当前深度学习训练建筑物数据集质量不高,且实验过程中数据集利用不充分的问题,本文进行建筑物数据集的增强处理。主要通过数据集的裁剪、填充、平移、旋转以及剔除大面积空白区的数据等方式提高了数据集的利用率。(2)针对当前建筑物提取结果中,存在边界模糊和完整性不足的问题,提出了一种基于上下文融合和边缘保留的建筑物提取方法。该方法通过融合卷积神经网络中互不干扰的平行道路提取不同尺度的建筑物特征,采用注意力机制将卷积神经网络提取的特征进行加权融合,得到同时具有细节信息与全局信息的特征图,实现建筑物的准确提取。本研究基于开源数据集Massachustetts建筑物数据集和WHU建筑物数据集,分别取得了94.22%的OA得分和94.04%的OA得分。相比于主流的U-Net网络提取结果平均提高了1%和6%。(3)针对建筑物变化检测结果中,存在建筑物群不连续出现的个别检测错误结果,利用上述建筑物提取方法实现建筑物的变化检测。该方法在LEVIR-CD双时相遥感图像数据集中取得了78.63%的Io U得分,对比常用变化检测网络检测结果有所提高,也验证了基于上下文融合和边缘保留的建筑物提取方法的准确性和适用性。
基于深度学习的高分辨率遥感影像建筑物提取与变化检测研究
这是一篇关于高分辨率遥感影像,建筑物提取,建筑物变化检测,深度学习的论文, 主要内容为高分辨率遥感影像能提供丰富的地物信息,是建筑物信息获取的重要手段。其中,建筑物的提取可以快速了解城市空间的分布特征,建筑物的变化检测也为社会经济的规划布局提供了分析条件。从影像中进行科学、准确、及时的研究建筑物信息,对城市规划发展、城市的动态变化和灾害预防等具有重要意义。在传统的高分辨率遥感影像建筑物提取方法中,大多依赖于先验知识和人工特征提取,人工记录和野外调查的方法需要具有相关经验和知识的人员,存在成本高昂且效率低下的问题。基于深度学习技术的建筑物提取模式,不仅能快速获取城市全区域不同时段的信息,还能够适应数字化时代的发展和需求。因此,本文基于深度学习的高分辨率遥感影像进行建筑物提取与变化检测的研究实验,主要工作如下:(1)针对当前深度学习训练建筑物数据集质量不高,且实验过程中数据集利用不充分的问题,本文进行建筑物数据集的增强处理。主要通过数据集的裁剪、填充、平移、旋转以及剔除大面积空白区的数据等方式提高了数据集的利用率。(2)针对当前建筑物提取结果中,存在边界模糊和完整性不足的问题,提出了一种基于上下文融合和边缘保留的建筑物提取方法。该方法通过融合卷积神经网络中互不干扰的平行道路提取不同尺度的建筑物特征,采用注意力机制将卷积神经网络提取的特征进行加权融合,得到同时具有细节信息与全局信息的特征图,实现建筑物的准确提取。本研究基于开源数据集Massachustetts建筑物数据集和WHU建筑物数据集,分别取得了94.22%的OA得分和94.04%的OA得分。相比于主流的U-Net网络提取结果平均提高了1%和6%。(3)针对建筑物变化检测结果中,存在建筑物群不连续出现的个别检测错误结果,利用上述建筑物提取方法实现建筑物的变化检测。该方法在LEVIR-CD双时相遥感图像数据集中取得了78.63%的Io U得分,对比常用变化检测网络检测结果有所提高,也验证了基于上下文融合和边缘保留的建筑物提取方法的准确性和适用性。
基于W-Net的高分辨率遥感数据建筑物变化检测
这是一篇关于高分辨率遥感,深度学习,建筑物变化检测,压缩-激励W-Net,2D/3D的论文, 主要内容为随着航空航天技术、计算机技术的发展,遥感对地观测突破了数据获取、传输和存储的瓶颈,逐步走向自动化和智能化的新阶段。遥感数据的空间分辨率不断提高、数据类型不断丰富,给遥感变化检测研究提供了优质、多样化的数据源。建筑物变化检测是变化检测领域的研究热点,也是对地观测中的核心问题之一,近些年来受到了广泛关注。建筑的变化能够很大程度上体现城市化的进程,对建筑变化的准确、有效评价是获取可靠城市变化信息的有力手段,也是政府管理、经济建设、社会学研究等领域的迫切须要。高分辨率遥感影像包含地物更加丰富、细致的特征信息,为建筑物的变化检测研究带来了新的科学视野。但出现了影像光谱特征混淆、光谱域统计可分性低、信息提取难度大的难题。由于影像光谱复杂性以及建筑物本身差异性的双重影响,基于高分辨率遥感影像和多源数据综合的建筑物变化检测亟待高效、精确、智能的理论研究与方法创新。另外,城市化进程的加快对建筑物变化检测提出了新的要求,能够同时满足2D和3D变化检测的理论方法,具有很高的研究价值。本文基于深度学习的理论手段,通过构造新型网络模型,设计了一套考虑多源遥感数据及数据特征的新型建筑物2D和3D变化检测方法。以U-Net为基础设计了一种新型的、可同时输入多源/多特征同质和异质数据的、通过压缩-激励策略考虑输入数据内部关系的双侧端到端W形网络,并将其命名为压缩-激励WNet。该网络是将U-Net改造为双侧输入单路输出、双侧权值独立、可兼顾两侧数据(同质、异质数据)影响的,用于遥感领域变化检测任务的网络结构。基于2D和3D各两组实验数据进行了模型和方法验证,本文提出的基于压缩-激励W-Net的建筑物变化检测方法,主要包括以下三个方面的研究及成果:(1)所提出的压缩-激励W-Net是一款功能较强且通用的网络结构,它能够通过结构化的对称体系结构学习同质和异质数据中蕴含的抽象特征,且其双向对称、结构合理。(2)双侧输入端不仅满足多源数据的输入,而且考虑了由多源数据衍生出的多种特征。创新性地引入压缩-激励模块,作为显性建模通道间相互依赖关系的策略。使得网络的指向性更强,能够对特征通道重新校准,强调重要特征、抑制次要特征。而且,压缩-激励模块嵌于各卷积运算之间,可以改善卷积操作只能顾及局部感受域内信息特征的不足,提高网络的全局感受能力。(3)多源多特征组合作为模型输入的思想,集成了光谱、纹理和结构等信息优势,能够显著提高模型的鲁棒性。对建筑物这种呈现复杂空间格局、具有多尺度特征、个体之间差异较大的特定地物的针对性更强,检测精度更高。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工厂 ，原文地址：https://m.bishedaima.com/lunwen/54216.html
