变化检测与深度学习
变化检测是遥感最重要的应用领域之一，在监测违建、滥占耕地、土地退化、资源开发带来的环境污染等方面有迫切的需要，常规的变化检测方法在敏感性、精度、可操作性方面均有所缺陷。基于深度学习的变化检测研究是目前一个新兴的研究热点，有望弥补现有变化检测方法的缺陷，拓展遥感及深度学习的应用领域。本专栏3篇创新性研究成果供您赏析。
主题关键词： 深度学习变化检测遥感语义分割网络综述样本不平衡机器学习方法分类文献计量挑战及发展
- 论文汇编
- 摘要：建筑物变化检测是遥感影像智能解译中的重要研究方向。针对建筑物变化检测的跨域变化检测算法中存在的像素级对比学习噪声过大和目标域样本利用不充分等问题，本文提出了实例级对比学习域适应变化检测算法ICDA-CD。首先，使用区域级域混合替代实例级域混合，以实现源域和目标域图像的有效混合；然后，利用实例级对比学习，降低伪标签噪声的影响。具体来说，在编码器中，拉开变化实例区域双时相特征距离，并在解码器中，拉近各个变化实例特征之间的距离，这可以显著提升模型对源域和目标域特征表示的一致性；最后，在损失计算部分使用伪标签质量估计，使得低置信度区域的像素也可以参与训练，提高了目标域样本的利用率。将本文方法与DACS、DAFormer、和HRDA等3种目前先进的算法进行实验对比。结果表明本文所提出来的方法在LEVIR-CD域迁移至S2Looking以及S2Looking域迁移至LEVIR-CD时F1分数分别达到了43.91%和74.75%，优于几种先进的算法。关键词：遥感图像;建筑物变化检测;对比学习;域适应;深度学习;伪标签1194|2794|1<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-07-31
- 摘要：相比同源影像，光学影像和合成孔径雷达SAR（Synthetic Aperture Radar）影像变化检测具有充分利用不同类型数据之间的互补信息、发挥其各自优势的优点，已成为遥感领域的研究热点，在应急灾害监测等方面具有广阔的应用前景。然而，光学影像和SAR影像的成像特征差异导致无法直接对比双时相影像提取变化信息，现有光学影像和SAR影像变化检测方法对特征空间统一的精度与效率不高。对此，本文认为光学影像和SAR影像间的差异主要由成像特征差异导致，因此可以通过特征空间变换，将影像映射到同一特征空间进行比较。由此提出了一种新的对称网络结构，通过基于相似性度量的网络初始化及优化，将光学影像和SAR影像映射到近似的特征空间中进行比较并提取变化信息。首先度量对称网络提取的多组特征之间的相似性，利用相似性最大特征组对应的网络权重实现网络初始化，引导光学影像和SAR影像特征映射。然后通过相似性优化学习将光学影像和SAR影像映射到同一特征空间进行直接对比，并对多时相特征变化向量进行聚类分析以区分变化类型。本文利用3组光学影像和SAR影像数据集（Google Earth影像、Landsat 8影像和哨兵1号影像）的实验结果表明：相对于现有方法，本文方法的卡帕系数KC（Kappa Coefficient）至少提高了4.02%，且运行时间至少降低了30.79%，有效提高了光学影像和SAR影像变化检测的精度与效率。关键词：遥感;光学影像;SAR影像;变化检测;对称网络;特征提取;空间映射;相似性度量;变化类型761|1559|2<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-07-19
- 摘要：针对普通跳跃连接缺乏从全尺度角度获取变化信息及编码器特征提取能力不足的问题，本文设计了耦合注意力机制CBAM（Convolutional Block Attention Module）的UNet+++高分辨率遥感影像变化检测网络CBAM UNet+++。CBAM UNet+++基于融合全尺度特征的语义分割结构UNet+++，同时替换基本卷积单元为残差注意力模块ResBlock_CBAM（Residual Block_CBAM）抑制背景影响，增强编码器对显著特征的学习能力，并利用两种不同变化类型的高分辨率遥感影像变化检测数据集进行验证。结果表明：该方法在LEBEDEV多地物变化数据集上取得最高精度，F1（F1-Score）和OA（Overall Accuarcy）值分别为88.9%、97.3%；在LEVIR-CD建筑物变化数据集上取得次高精度，F1和OA值分别为86.7%、96.8%；同时，该法能有针对性的获取深层语义，定性结果优于其他基准网络。关键词：遥感;变化检测;UNet+++;注意力机制;编码解码3053|4894|8<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-05-15
- 摘要：变化检测是指利用多时相影像检测地表覆盖类型发生变化的区域，目前的检测方法易受噪声以及特殊地物等影响，检测结果斑点现象严重、检测精度低。针对以上问题，本文结合典型相关分析和直方图规定化提出一种非监督的超像素级变化检测方法。首先，对两个时刻的遥感影像进行预处理以及超像素分割；其次，基于超像素尺度和未发生变化的概率计算每个超像素的权重；然后，基于超像素级多元变化检测和直方图规定化获取变化特征；最后，基于权重影像、经典方法与变化特征进行决策融合，得到变化检测结果图。本文在3个高光谱测试数据集和一个多光谱测试数据集上进行实验验证。结果表明，本文方法在4个测试数据集上的OA和Kappa指标均为最优，且OA都达到了90%以上。在4个数据集上，本文方法的OA相比于其他方法中的最高精度提高了4.41%、3.44%、1.74%和0.19%。关键词：遥感;超像素;变化检测;典型相关分析;直方图规定化2079|2129|2<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-05-15
- 摘要：建筑物变化检测在城市环境监测、土地规划管理和违章违规建筑识别等应用中具有重要作用。针对传统孪生神经网络在影像变化检测中存在的检测边界与实际边界吻合度低的问题，本文结合面向对象图像分析技术，提出一种基于面向对象孪生神经网络（Obj-SiamNet）的高分辨率遥感影像变化检测方法，利用模糊集理论自动融合多尺度变化检测结果，并通过生成对抗网络实现训练样本迁移。该方法应用在高分二号和高分七号高分辨率卫星影像中，并与基于时空自注意力的变化检测模型（STANet）、视觉变化检测网络（ChangeNet）和孪生UNet神经网络模型（Siam-NestedUNet）进行比较。结果表明：（1）融合面向对象多尺度分割的检测结果较单一尺度分割的检测结果，召回率最高提升32%，F1指数最高提升25%，全局总体误差（GTC）最高降低7%；（2）在样本数量有限的情况下，通过生成对抗网络进行样本迁移，与未使用样本迁移前的检测结果相比，召回率最高提升16%，F1指数最高提升14%，GTC降低了9%；（3）Obj-SiamNet方法较其他变化检测方法，整体检测精度得到提升，F1指数最高提升23%，GTC最高降低9%。该方法有效提高了建筑物变化检测在几何和属性方面的精度，并能有效利用开放地理数据集，降低了模型训练样本制作成本，提升了检测效率和适用性。关键词：遥感变化检测;孪生神经网络;面向对象多尺度分析;模糊集融合;生成对抗网络;高分辨率遥感影像2912|2975|8<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-03-22
- 摘要：高光谱作为“图谱合一”的遥感技术，具有精细光谱和空间影像的地面覆盖观测与识别优势。然而，高光谱遥感数据的光谱信息表征以及空间信息的利用给双时相高光谱遥感图像变化检测任务带来了巨大的挑战。为此，本文探讨了一种光谱—频域属性模式融合的高光谱遥感图像变化检测方法SFDAPF（Spectral-Frequency Domain Attribute Pattern Fusion）。首先，设计一种基于梯度相关性的光谱绝对距离，使双时相高光谱遥感图像像元对的属性模式从光谱信息表征方面得到了逐级量化；其次，基于傅里叶变换理论提出一种变化像元属性模式显著性增强策略，从全局空间信息利用方面改善了变化与非变化属性像元对的可分性；再次，将全图属性模式显著性水平与梯度相关性的光谱绝对距离进行融合，得到变化检测的综合界定值；最后，依据虚警阈值确定双时相高光谱遥感图像变化检测的二值化结果。将本文提出的SFDAPF方法在开源的双时相高光谱遥感图像河流和农场数据集上进行了变化检测性能验证，结果表明SFDAPF方法能够优于传统的和最新的变化检测方法，变化检测的总体精度在河流和农场数据集上分别达到了0.96508和0.97287（最高精度为1.00000）。证实了本文SFDAPF方法的有效性。关键词：高光谱图像;变化检测;图像融合;特征提取;显著性分析;傅里叶变换1351|3192|3<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-02-29
- 摘要：基于遥感图像中的光学信号检测出一定时间内特定区域的变化状态的遥感图像变化检测方法，在国防安全、环境监测、城市建设等领域具有重要应用价值。由于多时相异源图像在成像机理、光谱范围、空间分辨率等方面存在差异，现阶段异源遥感图像变化检测仍存在精度不够高、漏检和误检等问题，本文提出一种基于Transformer网络的异源变化检测网络框架，该框架能够利用不同类别的异源遥感图像获得准确的变化检测结果。首先，所提出检测网络为多时相遥感图像自适应生成对应的光学信号Token（光信Token）；然后，以光信Token作为引导与对应图像块Token进行交互计算，从而对双时相序列特征进行变化分析，并且在交互学习过程中构建了差分放大模块以提高网络对特征间差分信息的提取精度；最后，利用多层感知机对输出的差分Token进行预测并分割出变化区域。采用Sardinia、Shuguang和Bastrop等3个不同类别的异源遥感图像数据集和Farmland同源高光谱图像数据集来验证本文提出的方法，结果证明在选取有限训练样本数据情况下，本文方法与现有主流变化检测方法相比，在多个客观指标以及主观视觉上都表现出先进性。关键词：遥感;异源图像;变化检测;多模态分析;深度学习;Transformer727|1743|2<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-02-29
- 摘要：近年来，深度学习在多时相遥感影像变化检测任务中表现出巨大的潜力。充分的训练样本是深度学习技术能够有效挖掘遥感影像变化特征的重要前提，然而当前有限的公开标注数据集还不能满足实际应用中各种变化类型检测的需求。由于地表覆盖变化通常只占据少部分区域，能够获取的变化样本常常数量很少，且与不变化样本相比存在严重的不平衡问题。因此，如何在小样本与样本不平衡的情况下有效训练变化检测网络是急需突破的难题。相比变化检测样本，单时相地表覆盖分类样本的获取难度要低得多；在分类样本的支持下，充分训练的地表覆盖分类网络可为变化检测提供重要的先验特征。基于此，本文提出了一种基于分类后验概率空间的孪生Nested-UNet变化检测网络SNU-PS（Siamese Nested-UNet for change detection in Posterior Probability Space），通过结合两期地表覆盖分类后验概率信息，降低对变化检测样本的依赖。该方法首先利用地表覆盖分类样本训练高分辨率网络HRNet（High-Resolution Network），得到双时相影像的地物分类后验概率；然后将后验概率图像输入到孪生Nested-UNet变化检测网络SNU（Siamese Nested-UNet for change detection）中以获取变化检测结果。在SpaceNet7 和HRSCD数据集上测试的结果表明，SNU-PS能够充分利用地表覆盖的语义信息，在不同变化检测训练样本数量水平下，保持稳定的变化检测精度；相比分类后比较PCC（Post Classification Comparison）、基于后验概率空间的变化向量分析CVAPS（Change-vector analysis in posterior probability space）、以及各种类型变化检测网络（SNU、FC-EF、BIT、PCFN），具备更高与更稳定的变化检测精度，特别在样本数量不足时，优势更为明显。因此，本文提出的SNU-PS在小样本情形下的变化检测任务上具备更好的应用前景。关键词：地表覆盖;变化检测;深度学习;小样本;样本不平衡;语义分割网络;孪生网络;后验概率1522|2646|4<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2026-04-08
- 摘要：遥感变化检测可以获取地表变化信息，对于理解人与自然相互作用，推动可持续发展具有重要意义。随着遥感成像技术的提升和计算机科学的快速发展，高光谱、高时间、高空间分辨率的遥感影像已广泛应用，促进了深度学习的遥感变化检测发展以及多领域成功应用。与传统遥感变化检测不同，基于深度学习的变化检测提取遥感影像的深度差异特征，无需构建特征工程，检测精度和效率均有所提高。本文结合文献计量学全面分析本领域研究现状和热点，发现基于深度学习的变化检测在国内机构学者的主导下快速发展并取得了大量研究成果。这些成果大都基于高分辨率图像和CNN网络，并成功应用于土地利用/覆盖和建筑变化检测等。在此基础上，从像素、对象和场景3个粒度对基于深度学习的遥感变化检测方法分类介绍，阐述开展像素、对象和场景的特征提取以及后续网络分析过程，其中基于对象和场景的方法具有优势。最后，归纳总结目前面临的挑战及未来可能发展方向。由于遥感平台的发展和应用需求的增加，多模态异质变化检测是未来发展趋势。另外，深度学习的方法还需要克服非理想样本问题，关注多元变化信息获取，以及推进变化检测的广泛应用等。关键词：遥感;变化检测;深度学习;文献计量;方法分类;挑战及发展;综述5767|13444|21<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2026-04-08
- 摘要：多时相遥感影像变化检测是指对同一地理区域、不同时间获取的遥感影像进行自动变化发现、识别与解释的遥感处理与分析技术。随着卫星遥感技术及人工智能理论方法的快速发展，基于多时相遥感影像数据驱动和模型驱动的传统变化检测方法正朝着数据—模型—知识联合驱动的方向转型和演变，以更加自动化、精细化和智能化的方式，解决多领域的地表时空变化检测问题。本文在总结多时相遥感数据源从同构到异构、变化检测模型从传统到智能、变化检测应用从理论到落地过程中存在问题的基础上，以光学遥感影像变化检测任务为例，梳理和分析了人工智能时代下变化检测技术的发展历程。从无监督、监督、弱监督3个方面探讨了遥感变化检测从传统到前沿技术的转型特点与趋势，并进一步提出了未来需重点突破模型的物理可解释性、泛化及迁移能力、跨数据—跨场景—跨领域应用水平等关键问题。关键词：遥感;变化检测;多时相分析;人工智能;机器学习;深度学习8600|6733|25<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2026-04-08
