基于Siam-UNet++的高分辨率遥感影像建筑物变化检测

针对同—区域前后时序的高分辨率遥感影像背景复杂、变化类别多样、目标变化检测时存在漏检和边界识别粗糙问题,提出了一种基于Siam-UNet++深度神经网络的高分辨率遥感影像建筑物变化检测算法.该算法采用UNet++作为骨干提取网络,在其编码器部分应用Siam-diff(Siamese-difference)结构提取前后两时序图像的变化特征,并在解码阶段的上采样和横向跳跃路径连接之后引入注意力机制,突出建筑物变化的特征,抑制网络对其他类别特征的学习;同时使用多边输出融合(multiple side-output fusion,MSOF)策略加权融合不同语义层次的特征信息,提高了建筑物变化检测的精度;最后采取滑窗的方法对大尺度遥感影像进行预测,减少拼接过程中变化结果图产生的空洞图斑.在大型建筑物变化检测数据集上的实验结果表明,该算法有效提升了建筑物的变化检测效果.     

基于孪生残差神经网络的GF-2影像林地变化检测——以浙江省建德林场为例

森林是世界上生产力最高的可再生自然资源之一,但由于火灾、洪水、砍伐等多种自然或人为因素干扰,森林的生态环境受到严重威胁。准确掌握林地资源变化的情况,可以为森林资源的管理与保护提供有效信息。由于林地类别及树种差异较大,在林地变化检测任务中传统的机器学习变化检测方法难以捕捉深层次语义信息,存在提取特征适应性差、识别能力弱以及因季相导致的伪变化等问题。提出以孪生残差神经网络构建深度学习模型,进行林地变化的检测实验。分别采用残差神经网络ResNet50、添加不同轻量级注意力机制如卷积注意力机制模块CBAM和压缩和激励模块SE 3种不同特征提取方法作为主干特征提取模块。3种主干特征提取网络都基于预训练权重进行训练,通过将提取的多尺度的特征图进行融合,使得不同特征图中信息粗略细节和精细细节互补,从而改善变化检测效果,同时具有相同数量的参数,共享权值的优点。以浙江省建德林场为实验区,获取2015年和2020年两期高分二号卫星影像,构建一套分辨率为1 m的林地变化检测数据集。对孪生残差神经网络变化检测的结果和真实变化标签进行比较,其中主干特征提取网络SE-ResNet50综合结果最好,精确率为0.91...     

改进DeepLabV3+网络的遥感影像农作物分割方法

针对于当前遥感影像农作物提取存在的识别精度较低、边缘识别效果较差、提取速度慢等问题,提出了一种改进DeepLabV3+网络的遥感影像农作物分割方法。将特征提取网络改为更轻量级的MobileNetV2网络,空洞空间金字塔池化模块中的普通卷积改为深度可分离卷积,大幅减少模型计算量,提高模型计算速度;在特征提取模块以及空洞空间金字塔池化模块加入双注意力机制,进一步优化模型边缘识别效果,提升模型分割精度。此外针对农作物数据集类别不平衡问题,引入加权损失函数,给予玉米、薏米与背景类不同的权重,提高模型对农作物区域分割精度。以2019年某地区的无人机遥感影像为研究对象,对玉米、薏米两种农作物进行分割。实验结果表明,改进DeepLabV3+算法像素准确率可达到93.9%,平均召回率可达到90.7%,平均交并比可达到83.3%,优于传统DeepLabV3+、Unet、Segnet等常用于农作物提取的分割方法,对农作物具有更好的分割效果。     

基于多尺度注意力特征与孪生判别的遥感影像变化检测及其抗噪性研究

遥感影像在实际土地监测中其检测精度会受到影像数据中噪声的影响.为了提升变化检测方法的精度,本文提出了一种结合多尺度特征提取和注意力机制的孪生卷积神经网络的变化检测方法.首先使用含有不同膨胀率的空洞卷积和空间注意力模块组成多尺度特征提取模块;然后将同一卷积层的特征图相减获取前后两时期影像的差异特征图,并使用通道注意力机制...     

基于轻量语义分割网络的遥感土地覆盖分类

高分辨率遥感图像有丰富的空间特征, 针对遥感土地覆盖方法中模型复杂, 边界模糊和多尺度分割等问题, 提出了一种基于边界与多尺度信息的轻量化语义分割网络. 首先, 使用轻量化的MobileNetV3分类器, 采用深度可分离卷积来减少计算量. 其次, 使用自顶向下和自底向上的特征金字塔结构来进行多尺度分割. 接着, 设计了一个边界增强模块, 为分割任务提供丰富的边界细节信息. 然后, 设计了一个特征融合模块, 融合边界与多尺度语义特征. 最后, 使用交叉熵损失函数和Dice损失函数来处理样本不平衡的问题. 在 WHDLD数据集的平均交并比达到了59.64%, 总体精度达到了87.68%. 在DeepGlobe数据集的平均交并比达到了70.42%, 总体精度达到了88.81%. 实验结果表明, 该模型能快速有效地实现遥感图像土地覆盖分类.     

多尺度信息融合的遥感图像语义分割模型

遥感图像分割是目前学术界和工业界的一个研究热点,在城市规划、变化检测以及GIS信息构建等方面有着十分广泛的应用.然而,诸多复杂因素(如多变的尺度、多样化的拓扑形状以及复杂的背景和阴影等)使得遥感图像语义分割成为一项具有挑战性的任务.为此,提出一种基于多尺度信息融合的遥感图像语义分割深层卷积神经网络模型,该模型分为编码器和解码器2部分.在编码阶段,设计了基于DenseNet网络的跨卷积层级的多尺度特征融合策略,采用子区域全局平均池化及多尺度卷积处理复杂的背景区域;在解码阶段,为了准确地恢复图像的细节信息,设计了能够融合不同层级卷积特征的短解码器;最后,在整体模型构建方面设计了一种具有多输出的分层监督机制网络模型,从不同层级获取监督信息,可在充分利用监督信息的同时更好地引导网络的训练.在ISPRS公开数据集以及北京市遥感数据集上,通过实验验证了文中模型的有效性.     

基于注意力机制的U型网络遥感影像分割

传统遥感影像分割算法存在分割精度低、小目标物体容易漏分、目标边缘分割模糊等问题。针对以上问题，提出了一种基于注意力机制的改进UNet卷积神经网络算法。通过UNet网络学习遥感影像目标的总体特征，引入注意力机制模块重点关注有用的信息并抑制无关的信息，使网络更好的区分不同类别的目标。实验结果表明，上述算法在ISPRS数据集上分割的总体精度得到了提高。与其它分割算法相比较，上述算法有效提高了遥感影像的分割精度，并且在目标边缘分割的更平滑和完整。     

基于深度学习高分辨率遥感影像语义分割

高分辨率遥感影像含有丰富的地理信息. 目前基于传统神经网络的语义分割模型不能够对遥感影像中小物体进行更高维度的特征提取, 导致分割错误率较高. 本文提出一种基于编码与解码结构特征连接的方法, 对DeconvNet网络模型进行改进. 模型在编码时, 通过记录池化索引的位置并应用于上池化中, 能够保留空间结构信息; 在解码时, 利用编码与解码对应特征层连接的方式使模型有效地进行特征提取. 在模型训练时, 使用设计的预训练模型, 可以有效地扩充数据, 来解决模型的过拟合问题. 实验结果表明, 在对优化器、学习率和损失函数适当调整的基础上, 使用扩充后的数据集进行训练, 对遥感影像验证集的分割精确度达到95%左右, 相对于DeconvNet和UNet网络模型分割精确度有显著提升.     

改进U-Net网络的高分辨率遥感影像变化检测算法

针对高分辨率遥感影像变化检测中出现的伪变化较多、检测边界模糊、小目标漏检等问题，提出一种孪生结构的Siam-FAUnet变化检测模型。该模型可以实现端到端的变化检测任务。首先，利用改进的VGG16作为编码器提取双时相的影像特征；其次，通过空洞空间金字塔池化模块获取图像多尺度上下文信息；然后，使用流对齐模块将编码器中的低层特征融合至解码器，以此来获取影像的变化区域。实验采用公开的CDD和STAKI数据集进行训练和测试。结果表明，相对于其他主流的深度学习变化检测方法，Siam-FAUnet变化检测模型在准确率、精确率、召回率和F1分值上均有提升，表明该模型具有良好的检测性能。     

双通道孪生网络在遥感变化检测中的应用

遥感变化检测旨在通过比较同一位置不同时期遥感影像以检测出存在显著或者潜在的遥感变化的区域. 目前, 大多数相关工作聚焦于正时序变化检测上, 对反时序变化检测表现较差. 为了避免时序对变化检测带来影响, 通常的做法是将正时序和反时序的数据都囊括构成数据集. 然而, 这会导致模型训练时间更长. 本文提出一种双通道孪生网络,...     

改进U-Net型网络的遥感图像道路提取

目的 遥感图像道路提取在城市规划、交通管理、车辆导航和地图更新等领域中发挥了重要作用,但遥感图像受光照、噪声和遮挡等因素以及识别过程中大量相似的非道路目标干扰,导致提取高质量的遥感图像道路有很大难度。为此,提出一种结合上下文信息和注意力机制的U-Net型道路分割网络。方法 使用Resnet-34预训练网络作为编码器实现特征提取,通过上下文信息提取模块对图像的上下文信息进行整合,确保对道路的几何拓扑结构特征的提取;使用注意力机制对跳跃连接传递的特征进行权重调整,提升网络对于道路边缘区域的分割效果。结果 在公共数据集Deep Globe道路提取数据集上对模型进行测试,召回率和交并比指标分别达到0.847 2和0.691 5。与主流方法U-Net和CE-Net（context encoder network）等进行比较,实验结果表明本文方法在性能上表现良好,能有效提高道路分割的精确度。结论 本文针对遥感图像道路提取中道路结构不完整和道路边缘区域不清晰问题,提出一种结合上下文信息和注意力机制的遥感道路提取模型。实验结果表明该网络在遥感图像道路提取上达到良好效果,具有较高的研究和应用价值。     

成像光谱技术在土地利用动态遥感监测中的应用研究

随着数字化调查技术的发展，国土资源管理对土地利用动态遥感监测提出了更高的要求，目前主要采用的多光谱数据由于受光谱分辨率限制以及“同谱异物，同物异谱”现象的影响，难以满足管理需要。成像光谱数据具有较高光谱分辨率。在类别细分方面具有一定的优势，在当前土地利用动态遥感监测中具有一定的应用潜质。该文针对成像光谱数据特点，探索了与成像光谱数据相适应的土地利用动态遥感监测方法，提出了异常光谱检测法，该方法在试验区应用中取得了良好效果。     

面向对象的土地覆被变化检测研究

运用面向对象的方法进行土地覆被变化检测,利用遥感数据光谱信息、纹理特征、拓扑关系,在多尺度分割获得对象的基础上,构建了变化矢量方法和向量相似性的检测方法,两种检测方法均成功检测出了所选取实验区的土地覆被变化信息。结果表明:对于同一区域同一时相的两期影像的面向对象变化检测,两种方法的总体精度都在80%以上,但变化矢量方法(CVA)精度要高于向量相似性方法。因此,在进行土地覆被变化检测时可以优先考虑变化矢量方法(CVA)。     

基于多尺度特征融合的U-Net网络高分影像不透水面提取研究

不透水面作为监测城市生态环境的重要指标,其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要,急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取影像特征的特点逐渐成为遥感影像地物提取的新兴方法。基于此,采用多尺度特征融合的U-Net深度学习方法以提升语义分割精度,开展高分辨率遥感影像不透水面的精确提取研究。模型引入残差模块代替普通卷积以加深网络,提取更多影像特征;加入金字塔池化模块增强网络对复杂场景的解析能力;利用跳跃连接方式融合不同尺度特征,有利于恢复空间信息。以广州市航摄正射影像为数据源,通过卷积神经网络将遥感影像分割为背景、其他、植被、道路和房屋5种地物类型,将其与人工目视解译的地面真值进行验证,最终提取研究区域不透水面。实验证明：多尺度特征融合的U-Net模型总体精度和Kappa系数分别为87.596% 和0.82。在定性与定量两个方面均优于传统的监督分类法、面向对象分类法和经典U-Net模型法。结果表明：该模型利用多维度影像特征信息,有效提升了复杂场景图像的分割精度,分割效果好,适用于高分辨率遥感影像不透水面提取,该研究成果可为城市环境监测提供数据支撑。     

基于多尺度与注意力特征增强的遥感图像描述生成方法

遥感图像描述生成是同时涉及计算机视觉和自然语言处理领域的热门研究话题,其主要工作是对于给定的图像自动地生成一个对该图像的描述语句。文中提出了一种基于多尺度与注意力特征增强的遥感图像描述生成方法,该方法通过软注意力机制实现生成单词与图像特征之间的对齐关系。此外,针对遥感图像分辨率较高、目标尺度变化较大的特点,还提出了一种基于金字塔池化和通道注意力机制的特征提取网络(Pyramid Pool and Channel Attention Network,PCAN),用于捕获遥感图像多尺度以及局部跨通道交互信息。将该模型提取到的图像特征作为描述生成阶段软注意力机制的输入,通过计算得到上下文信息,然后将该上下文信息输入至LSTM网络中,得到最终的输出序列。在RSICD与MSCOCO数据集上对PCAN及软注意力机制进行有效性实验,结果表明,PCAN及软注意力机制的加入能够提升生成语句的质量,实现单词与图像特征之间的对齐。通过对软注意力机制的可视化分析,提高了模型结果的可信度。此外,在语义分割数据集上进行实验,结果表明所提PCAN对于语义分割任务同样具有有效性。     

基于U-Net的高分辨率遥感图像土地利用信息提取

随着现代遥感技术的迅速发展,遥感图像的质量和数量得到了显著的提升,新技术带来的高分辨率遥感图像所蕴含的信息也更加丰富,如何利用人工智能手段辅助挖掘这些丰富的信息也成为了遥感图像分析与理解的重要内容。与此同时,以深度卷积神经网络为代表的人工智能技术在图像处理领域大放异彩。得益于类人眼的分层卷积池化模型,深度卷积神经网络可以在图像分割和分类等任务上取得优异的结果。因此采用U-Net为代表的深度卷积神经网络对2 m的高分辨率遥感影像进行了特征提取、分割和分类,不同于传统基于手工设定图像特征的方法,U-Net可以自动对海量高分辨率的遥感图像进行特征提取,从而充分挖掘高分辨率遥感影像中复杂的非线性特征、光谱特征和纹理特征。实验结果表明：利用训练好的U-Net模型对新昌县土地利用分类计算时间为55.7 s,分类准确率可达90.95%,Kappa系数为0.86。U-Net模型可以快速、精确地提取高分辨率遥感影像中的地表覆盖特征,得到高精度的土地利用分类结果,说明将该模型应用于遥感影像土地利用分类提取有着广阔前景。     

改进U-Net的高分辨率遥感图像轻量化分割

针对传统图像分割方法分割效率低下, 遥感图像特征复杂多样, 复杂场景下分割性能受到限制等问题, 在基于U-Net网络架构的基础上, 提出一种能够较好提取遥感图像特征并兼顾效率的改进U-Net模型. 首先, 以EfficientNetV2作为U-Net的编码网络, 增强特征提取能力, 提高训练和推理效率, 然后在解码部分使用卷积结构重参数化方法并结合通道注意力机制, 几乎不增加推理时间的前提下提升网络性能, 最后结合多尺度卷积融合模块, 提高网络对不同尺度目标的特征提取能力和更好地结合上下文信息. 实验表明, 改进的网络在遥感图像分割性能提升的同时分割效率也提高.     

残差密集空间金字塔网络的城市遥感图像分割

目的 遥感图像语义分割是根据土地覆盖类型对图像中每个像素进行分类,是遥感图像处理领域的一个重要研究方向。由于遥感图像包含的地物尺度差别大、地物边界复杂等原因,准确提取遥感图像特征具有一定难度,使得精确分割遥感图像比较困难。卷积神经网络因其自主分层提取图像特征的特点逐步成为图像处理领域的主流算法,本文将基于残差密集空间金字塔的卷积神经网络应用于城市地区遥感图像分割,以提升高分辨率城市地区遥感影像语义分割的精度。方法 模型将带孔卷积引入残差网络,代替网络中的下采样操作,在扩大特征图感受野的同时能够保持特征图尺寸不变;模型基于密集连接机制级联空间金字塔结构各分支,每个分支的输出都有更加密集的感受野信息;模型利用跳线连接跨层融合网络特征,结合网络中的高层语义特征和低层纹理特征恢复空间信息。结果 基于ISPRS （International Society for Photogrammetry and Remote Sensing） Vaihingen地区遥感数据集展开充分的实验研究,实验结果表明,本文模型在6种不同的地物分类上的平均交并比和平均F₁值分别达到69.88%和81.39%,性能在数学指标和视觉效果上均优于SegNet、pix2pix、Res-shuffling-Net以及SDFCN （symmetrical dense-shortcut fully convolutional network）算法。结论 将密集连接改进空间金字塔池化网络应用于高分辨率遥感图像语义分割,该模型利用了遥感图像不同尺度下的特征、高层语义信息和低层纹理信息,有效提升了城市地区遥感图像分割精度。