CN113936217B 先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测方法 （华中师范大学）

US2021027532A1,2021.01.28先验语义知识引导的高分辨率遥感影像弱本发明提供一种先验语义知识引导的高分先采用融合域自适应和弱监督策略的建筑物提应和弱监督两种策略最大程度提升先验知识的21.先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测方法，其特征在于，中间件子网络由采用SE注意力模型，对高维特征进一步处理，包括Squeeze和Excitation两个过程，Squeeze将特征图进行全局均值池化，得到特征图的全局压缩特征网络所产生的特征图与解码器所还原的特征图进行跳层连接，最后还原特征图为原图尺所述建筑物检测器是基于卷积加全连接输出层，将两层高阶的潜在空间特征作为输所述特征变化分析网络包括多层卷积网络，每层卷积网络分别有一个3步骤23，建筑物变化检测网络模型训练，直接采用步骤1中最终得到的建筑物提取网2.如权利要求1所述的先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测3.如权利要求1所述的先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测4.如权利要求1所述的先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测5.如权利要求4所述的先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测6.如权利要求5所述的先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测47.如权利要求1所述的先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测8.如权利要求7所述的先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测果需要同时兼顾源域和目标域两种场景，采用源域和目标域样本数据交替训练的方式进9.如权利要求1所述的先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测①IOU(IntersectionofUnion)，该指标用以io-56测方面，根据深度神经网络结构差异主要划分为:1)基于受限玻尔兹曼机(RBM)的方法，Gongetal.[1]设计了一个深度神经网络来实现合成孔径雷达图像变化和不变区域的检etal.[3]提出了一种基于孪生结构的递归卷积神经网络来学习联合光谱-空间-时相特征端到端网络。3)基于生成对抗网络(GAN)的方法，Lebedevetal.[4]提出了一种基于pix2pix的GAN网络来实现不同季节遥感影像的自动变化检测,该方法还考虑了位置偏移的基于卷积神经网络(CNN)的方法，最早的是ZagoruykoandKomodakis[6]提出的三种不同动学习区域表示检测了29年(1987-2015年)内的森林覆盖率变化。ZhangandLu[10]提出7方法的大比例尺高分辨率语义变化检测(HRSCD)数据集，并设计了一种全卷积神经网络架构同时进行变化检测和土地覆盖映射，该架构使用了预测的土地覆盖信息来帮助预测变抗网络(GAN)的半监督卷积网络(SemiCDNet)变化检测方法。弱监督变化检测方面，[23-25]分别采用无监督的深度置信网络(DBN)[23]，基于堆叠DAEs的对称卷积耦合网络(SCCN)[24]以及迭代特征映射网络[25]等深度学习框架来提取同源[23]以及不同源[24,对抗网络(cGAN)的变化检测方法将两期不同源影像转换到一致的特征空间以进行直接比ApertureRadarImagesBasedonDeepNeuralNetworks.IEEETransactionsonNeuralNetworksandLearningSystems2016,27,125-138,doi:10.1109/TNNLS.2015.2435783.RecurrentNeuralNetworkforLandCoverChangeDetection.RemoteSensing2016,8,506,doi:10.3390/rs8060506.[0008]3.Mou,L.；Bruzzone,L.；Zhu,X.X.LearningSpectral-Spatial-TemporalFeaturesviaaRecurrentConvolutionalNeuralNetworkforChangeDetectionin8MultispectralImagery.IEEETransactionsonGeoscienceandRemoteSensing2019,57,924-935,doi:10.1109/TGRS.2018.2863224.INREMOTESENSINGIMAGESUSINGCONDITIONALADVERSARIALNETWORKS.ISPRS-InternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences2018,XLII-2,565-571,doi:10.5194/isprs-archives-XLII-2-565-2018.ChangeDetectionUsingBi-TemporalVHROpticalRemoteSensingImages.RemoteSensing2019,11,1292,doi:10.3390/rs11111292.[0011]6.Zagoruyko,S.；Komodakis,N.LearningtoCompareImagePatchesviaConvolutionalNeuralNetworks.2015.DeepSiameseConvolutionalNetworkforOpticalAerialImages.IEEEGeoscienceandRemoteSensingLetters2017,14,1845-1849,doi:10.1109/LGRS.2017.2738149.LearningforAerialRemoteSensingImageChangeDetection.IEEEgeoscienceandremotesensingletters2ChangeDetectioninIncompleteSatelliteImagesWithDeepNeuralNetworks.IEEETransactionsonGeoscience&RemoteSensing2017.[0015]10.Zhang,W.；Lu,X.TheSpectral-SpatialJointLearningforChangeDetectioninMultispectralImagery.RemoteSensing2019,11.SegmentationFromHigh-ResolutionAerialImagesUsingU-NetWithPyramidPoolingLayers.IEEEGeoscience&RemoteSensingLetters2018.Feature-BasedAttention-GuidedSiameseNetworkforRemoteSensingOrthoimageryBuildingChangeDetection.2020.ResolutionSatelliteImagesUsingImprovedUNet++.RemoteSensing2019,11,1382,doi:10.3390/rs11111382.FrameworkforHyperspectralImageChangeDetection.IEEETransactionsonGeoscienceandRemoteSensing2019,57,3-13,doi:10.1109/TGRS.2018.2849692.9ASemisupervisedConvolutionalNeuralNetworkforChangeDetectioninHighResolutionRemote-SensingImages.IEEETransactionsonGeoenceandRemoteSensing2020,PP,1-16.[0023]18.Sakurada,K.WeaklySupervisedSilhouette-basedSemanticChangeLowRank.IEEEGeoscienceandRemoteSensingLetters2017,14,2418-2422,doi:10.1109/LGRS.2017.2766840.[0025]20.Saha,S.；Bovolo,F.；Bruzzone,L.UnsupervisedDeepChangeVectorAnalysisforMultiple-ChangeDetectioninVHRImages.IEEETransactionsonTGRS.2018.2886643.usingCNNFeaturesandSuperpixelSegmentation.ProceedingsoftheBritishMachineVisionConference(BMVC)2015,10.5244/C.29.61,61.61-61.12,doi:10.5244/C.29.61.remotesensingchangedetection.InProceedingsof20172ndInternationalDetectionUsingDeepRepresentationandFeatureChangeAnalysisforMultispectralImagery.IEEEGeoscienceandRemoteSensingLetters2016,13,1666-1670,doi:10.1109/LGRS.2016.2601930.forChangeDetectionBasedonHeterogeneousOpticalandRadarImages.IEEETransactionsonNeuralNetworksandLearningSystems2018,29,545-559,doi:10.1109/TNNLS.2016.2636227.fordetectingmultiplechangesinmulti-sourceremotesensingimages.ISPRSJournalofPhotogrammetryandRemoteSensing2018,146,38-51.ChangeDetectioninHeterogeneousImages.IEEEGeoscienceandRemoteSensingLetters2019,16,45-49,doi:10.1109/LGRS.2018.2868704.ClassifiedNetworkforChangeDetectioninMultispectralImagery.IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing2019,12,321-333,doi:10.1109/JSTARS.2018.2887108.[0033]28.Li,X.；Yuan,Z.；Wang,Q.UnsupervisedDeepNoiseModelingforHyperspectralImageChangeDetection.RemoteSensing2019,11.绘学报2017,046,999-1008.DetectionThroughDeepSiameseNetwork.InProceedingsofIEEEInternationalGeoscienceandRemoteSensingSymposium(IGARSS)2018.RemoteSensingImagesBasedonImageMappingandaDeepCapsuleNetwork.RemoteSensing2019,11.RepresentationLearningforChangeDetectioninMultispectralRemoteSensingImages.IEEETransactionsonGeoscienceandRemoteSensing2017,55,2658-2673,doi:10.1109/TGRS.2017.2650198.ChangeDetectioninMultispectralImagery.IEEEGeoscienceandRemoteSensingLetters2017,14,2310-2314,doi:10.1109/LGRS.2017.2762694.[0039]针对现阶段建筑物变化检测样本数据集制作困难、模型跨域泛化能力不足等问个归一化层和一个激活层ReLU组成，其中第一层卷积网络卷积层尺寸为1*1，实现特征降[0055]中间件子网络由采用SE注意力模型，对高维特征进一步处理，包括Squeeze和Excitation两个过程，Squeeze将特征图进行全局均值池化，得到特征图的全局压缩特征[0058]进一步的，步骤22中的编码器具体为建筑物提取网络生尺寸为3x3，步长为1，并对特征图进行的填充单位为1，在前四层的卷积层后都会有一个[0098]为了更好地理解本发明的技术方案，下面结合附图对本发明做进一步的详细说[0100]步骤1，数据集加载与扩展。网络训练时的数据输入为原始影像及