文摘

与遥感图像的空间分辨率的增加,功能成像越来越复杂的特点,并根据技术变化检测方法如纹理表示和局部语义很难满足需求。大多数变化检测方法通常集中在提取语义特征,忽略高分辨率浅信息的重要性和细粒度特性,这常常导致边缘检测不确定性和小目标探测。输入网络当两个时间图片连接,网络的浅层不能提供个人的信息原始图像深层的特性来帮助重建图像,因此,变化检测结果可能丢失在细节和功能紧密。为了这个目的,一个双胞胎上下文聚合网络(TCANet)提出执行对遥感图像变化检测。为了减少损失的空间遥感图像精度和保持高分辨率表示,最初我们介绍我们的骨干网HRNet提取感兴趣的特性。我们建议的内容聚合模块(CAM)可以放大卷积神经网络接受域获得更详细的上下文信息没有显著增加计算工作量。侧输出嵌入模块(SOEM)提出了改进体积小目标变化检测的准确性以及缩短训练过程和加快检测同时确保性能。公开的方法尝试CDD数据集,SYSU-CD数据集,一个具有挑战性的DSIFN数据集。随着精度显著提高,记得,F1分,总体精度,该方法优于文献中提到的五个方法。

1。介绍

获得的遥感图像变化检测同一地理区域,在不同的时间,是许多实际应用的一个重要组成部分如土地利用、植被变化检测、生态系统检测和损伤评估(1]。传统的耗时和费力的方法分析遥感图像变化基于手工工作使自动化这个过程的一个重要和实际需要的研究领域。自动实现时间序列图像的变化检测具有十分重要的科学研究和应用价值,研究在这一领域进行了遥感领域的几十年(2- - - - - -6]。近年来,人工智能算法技术为代表的深度学习发展迅速,已经被应用在各个领域,如计算机视觉(7),语音识别(8),和信息检索9),特别是在计算机视觉领域。j .布鲁纳等人提出了一个完全卷积神经网络(10)来实现端到端像素分类的图像使用卷积层而不是完全连接层。休斯等人提出了一个pseudo-twin卷积神经网络方法应用于检测SAR图像和光学图像之间的变化(11]。随着研究的进展,2017年,阿施施Vaswani,妮基Parmar以及其他人员配合发布里程碑式的论文,开创了大型模型的时代(12]。在这篇文章中,他们提出了著名的变压器结构。早在2018年,一个模型称为伯特炸毁了NLP社区,设置一个新的SOTA记录11 NLP任务,变压器,负责。变压器已广泛应用于遥感领域,尤其在领域的语义分割。戈里et al。13RNN)用来压缩节点信息和学习图节点标签和首次提出的概念图神经网络(GNN)。图基于神经网络(卫星系统)进行深入学习操作方法在图像域。后,图像卷积网络(GCN)提出了在文献[14cnn),正式用于建模图结构的数据。尽管变压器和图神经网络都是近年来流行的深度学习方法,相对较少的研究进行了双重时间遥感图像变化检测。因此,双卷积神经网络仍用于本文。

目前,国内外学者提出了多种遥感影像变化检测方法基于深度学习。框架的方法,他们可以大致分为3类。第一种方法提取特征,然后检测,即。,feature extraction of the image using a deep network followed by change detection based on the features [15]。第二类是预先分级的方法检测紧随其后。即图像主要是preclassified使用传统算法,然后,深层网络训练与显式地改变和不变的样本。最后,确定训练样本被送入网络来获取结果图(16]。虽然这两种方法都是基于深度学习和他们的结果也优于传统方法,他们仍然受到人类经验和容易出错的步骤所需的阈值判断,检测过程中聚类和样本选择。第三类是基于完全卷积网络的方法。这是一个完全的端到端之间没有人类干预的学习框架,和整个过程更加健壮和高效6]。根据输入图像的方法,这种方法可以分为网络与单个输入和网络双重输入。

尽管完整的卷积网络方法达到更好的变化检测性能,仍有一些缺点。层叠池运行编码器高分辨率和低分辨率下降将导致空间分辨率,并很难解码器恢复其决议。直接使用完整的双回旋的变化检测网络遭受低检测完整性、简单的错误检测和错过的检测。这主要是受限于缺乏网络特征提取能力和无效的使用空间和通道域上下文语义信息。满卷积网络不容易获取图像的边缘信息提取dual-temporal的深层特征图像。为此,本文提出一种双上下文聚合网络(TCANet)来解决上述问题。首先,获取高分辨率的表征,我们使用HRNet网络骨干网络。第二,为了提高网络特征提取能力以及有效利用通道域上下文语义信息,我们建议下聚合模块(CAM)。最后,在解码部分中,我们介绍了侧输出嵌入模块(SOEM)为了获得图像的边缘信息和小目标信息,同时抑制无用的信息,进一步提高变化检测的准确性。遥感图像变化检测,更多的前沿研究方向,仍是目前研究相对较少的地区之一,而最好的实验结果可以获得使用我们提出的三个模块。 The main contributions are as follows.(1)我们引入双重HRNet双胞胎的骨干网络。这个网络可以保持高分辨率从头到尾,和信息交互的不同分支可以补充信息造成的损失减少数量的渠道。(2)在编码部分。上下文聚合模块(CAM)提出为了提高网络特征的提取和有效地利用通道域上下文语义信息。模块将输出特征图分为四个1/4-channel特征图,然后使用膨胀卷积与不同膨胀率集成多通道并行的上下文信息。(3)在解码部分。介绍了侧输出嵌入模块(SOEM)为了获得双重时间阶段图像的边缘变化信息以及更详细的精细图像细节和复杂的高分辨率遥感图像的纹理特征。(4)我们的网络达到令人印象深刻的成果在所有三个数据集。更具体地说,我们已获得89.87%F1分数挑战DSIFN测试集。

剩下的纸是组织如下:部分2描述了变化检测工作。部分3讨论了方法的建议。部分4介绍了实验数据集和评价指标。部分5介绍了实验设计和结果。最后,部分6讨论了我们的工作和结论。

2。相关工作

近年来,许多神经网络为场景分割技术和组件已经申请了变化检测任务提取更深层次的表现。第一个U-Net [17)开创了基准模型,然后使用暹罗网络(18- - - - - -24成为变化检测的标准方法。提高变化检测的性能,大量的工作一直在进行深度特征提取和细化。

2.1。暹罗神经网络

暹罗神经网络耦合体系结构是基于两个人工神经网络。简而言之,暹罗神经网络组成的两个神经网络和共享相同的结构重量拼接在一起。“串联”的神经网络是通过共享的重量。

变化检测方法完全基于卷积网络大致分为两类。一种类型是早期融合方法(单);另一种是双网络方法(双输入)。输入网络的级联dual-temporal图像到一个图像被送入网络(之前25,26]。例如,在文献[26],dual-temporal形象对连接作为一种改进输入UNet + +网络,并改变地图在不同语义水平合并生成最终改变地图。输入网络相比,双输入网络是借用双网络(18,22,27),前端特征提取部分完全由两个网络卷积网络取代了相同的结构。例如,文献[18)提出了三种完全卷积神经网络框架在遥感图像变化检测,其中一个是单个输入和其他两个双输入。许多变化检测实验结果表明,双输入网络结构更适合变化检测。很多学者做过研究暹罗网络基于变化检测方法。玉等人提出了NestNet [28)网络模型,引入了两个并行模块提取历时的各自特征图像,然后使用完全不同的操作过程两幅图像的特征。文献[22)提出了一种IFN-based方法,这是一个完全卷积网络方法属于一个双输入。在这种方法中,dual-temporal与深度图像中提取特征的双网络,和down-sampled改变地图直接送入网络在训练的中间层。最后,更新网络参数通过计算独立的损失。方等人提出了一个SNUNet-CD网络(29日]。这个网络是一个修改UNet + +,这与UNet + +的不同之处在于,它使用两个双胞胎卷积过滤器从两幅图像中提取特征,和骨料和改进功能语义层通过集成来自多个通道模块的关注。最后,测试结果。

2.2。上下文信息聚合

因为每个像素点在图像不能被孤立,必须一个像素与周围像素。大量的像素的互连是生产各种对象在一个图像,所以图像的上下文特征的重要性。没有足够的访问期间丰富的上下文信息变化检测任务可以影响我们的检测结果。很多方法添加模块的编码网络扩大有效的接受域和集成更多的上下文信息。在文献[30.),介绍了全球池业务学习scenario-level全局上下文,和接受域的重要性进行了探讨。PSPNet [31日]全球池的应用程序扩展到图像条件,提出了一个平行空间池设计总量多尺度上下文信息。扩张卷积是另一个设计,可以放大的接受域cnn没有显著增加计算工作量(32,33]。结合深黑色的卷积和多级PSPNet池设计,深黑色的空间金字塔池(ASPP)模块提出了34在[]和改善35- - - - - -37]。注意机制(38- - - - - -40)使用乙状结肠函数来生成“关注”描述符全球池业务后,另一个上下文聚合设计。为了更好地服务于遥感图像的变化检测,本文使用多个平行膨胀运算获得全球和本地上下文信息。

3所示。提出的方法

在本节中,我们详细描述该双重背景下聚合网络(TCANet)遥感图像变化检测。首先,我们提出的总体结构将概述。在这之后,我们举个例子HRNet(我们的基线网络)的体系结构。最后,给出了每个模块的设计,包括凸轮模块和SOEM模块。

3.1。网络的概述

如图1,两个上下文聚合网络(TCANet)是本文设计的。模型dual-temporal图像在两个网络共享参数分别提取特征。首先,dual-temporal图像输入到骨干网HRNet获得四个变化特征图谱不同大小和不同数量的渠道。结构保存空间细节信息,但没有充分利用上下文信息。因此,我们整合更多的上下文信息来改进网络性能通过引入尺度依赖上下文聚合模块在四个不同的分支。自生成的四个平行输出HRNet information-dispersed,我们嵌入不同级别的本地上下文信息从上下文聚合模块(CAM)这些特性使输出信息。然后,从特征编码阶段获得两个特征值差,和绝对的值来获得dual-temporal特征在不同尺度融合信息。最后,我们输入融合特性映射到端输出模块嵌入促进边缘和小目标的检测。网络的详细过程如下。

如图1、B1、B2、B3和B4 HRNet生成的四个并行分支。CAM模块进行处理,然后up-sampled CAM模块的输出(第一个CAM模块的输出不是up-sampled),然后地图连接相关的特性。 在哪里表示输出特性映射凸轮加工后,表示up-sampling操作代表了串联缝合手术。之后,立即 , , ,和使用1×1通道压缩卷积这四个输出特性映射具有相同数量的渠道。然后,执行差异绝对值操作与其他编码器的输出保险丝两幅图像的特征。也就是说, 在哪里代表1×1卷积运算实现通道压缩。从图像中提取特征映射的时刻吗T1的编码结构。从图像中提取特征映射的时刻吗T2的编码结构,代表了特征融合后的两幅图像的差异绝对值处理。最后,获得 ,和输入端输出嵌入模块(SOEM)获得最终的预测图。

3.2。基线:HRNet

大多数现有编码器方法执行层叠池操作(采样下来)从高到低分辨率来获得。但瀑布池操作导致的空间精度损失由译码器很难恢复。为了克服这个限制,HRNet [41,42]介绍了并行多尺度设计。保持高分辨率输出在最初和融合多尺度信息,网络可以提取尽可能多的图像特征。

如图2,HRNet由并行子网的高分辨率和低分辨率,和重复信息交换在多分辨率子网(多尺度融合)。具体来说,四个并行子网B1、B2、B3和B4, B1,总是保持一个高分辨率表示。同时,特征映射每个卷积块卷积后3×3的步骤2(采样下来),以减少空间特性映射和up-sampling特征图的大小在每个卷积块连接到不同的分支多尺度融合卷积(第一块B1不需要up-sampled)。最后,网络生成四套不同分辨率的特征图谱。他们首先up-sampled恢复分支B1,然后融合,一样的大小和融合特征图谱可以用于生成分割结果,,当然,我们这里不需要生成。的四个分支HRNet相当于1/4,1/8,1/16,1/32的原始输入的大小。

3.3。上下文聚合模块(凸轮)

上下文信息来确定两个类别的对象是至关重要的改变,不变,和很多方法添加模块的编码网络扩大有效接受字段和集成更多的上下文信息。深黑色的卷积是一个设计,可以放大的接受域卷积神经网络没有显著增加计算工作量(32,33自膨胀卷积结构简单,容易理解,直接或间接地使用大部分的论文。因此,本文提出了一个上下文聚合模块,不仅获得全球信息,还提供了更详细的本地信息。并且它可以与其他两个模块一起使用提出了更好的性能。

详细设计的凸轮图所示3。给定一个输入特征地图的大小T=C×H×W,通道的数量输入功能的地图T减少到C=C/ 4×1×1卷积。之后,四个平行的扩张与膨胀率(膨胀率)的卷积的1,2,4,8)用于集成更多的上下文信息。这种方法可以提高卷积的接受域内核获得更大范围的信息的数量,同时保持参数不变,可以确保输出特性图的大小保持不变。最后,地图与卷积特性T获得X= 2C×H×W然后,1×1卷积是用于压缩X来C×H×W。接受域是由下列公式计算: 在哪里表示膨胀率是原始的卷积核的大小。在这篇文章中,一个平行的扩张卷积方法用于样品特性具有不同膨胀率获得特性与接受不同领域的地图然后融合这些特征从不同的渠道获取信息渠道。如果我们输入图像的大小是512×512的输出大小的四个分支HRNet 128×128×64, 64×64×128, 32×32×256, 16×16×512。首先,根据经验,我们设置膨胀卷积的膨胀率为1,2,4,8(膨胀卷积与率= 1相当于普通卷积),和接受字段计算3×3,7×7,15×15日和31日×31日。自后者的两个分支的输出特征图谱HRNet 32×32和16×16日分别,他们基本上覆盖主要领域,实现全球意识。虽然我们四个凸轮模块设计是相同的,这四个分支HRNet有不同的输出范围,我们也可以多尺度信息。最后,一个特性,结合这些不同的接受字段映射将进一步提高网络的性能。

3.4。侧输出嵌入模块(SOEM)

侧输出嵌入模块(SOEM)在本文提出的组合特征金字塔网络(红外系统)和中间监督。功能金字塔网络可以融合浅和深特性,可以提高小规模目标和边缘检测的准确性。中间监督允许将浅层次训练更充分地避免梯度消失和收敛速度慢。因此,这个模块可以让我们提高我们的网络速度和准确性。

如图4,我们使用四个( , , , )特征图后与不同大小dual-temporal特征融合来取代自上而下的金字塔网络的一部分。首先,1×1卷积特性映射与up-sampled总结特性映射获得特征映射与粗粒度和细粒度特征。获得的小型特征图然后压缩到1×1二维卷积和up-sampled大小为128×128(大型特征图不是up-sampled)。虽然获得了四组相同大小的地图功能,语义水平不同,空间位置表示也是不同的。最后,这四个特征图连接,压缩使用1×1二维卷积,和up-sampled大小为512×512。和使用真相映射(地面实况)和获得的特征映射计算损失,最终生成预测地图是监督。获得预报图的过程如下: 在哪里表示特征地图金字塔网络获得的特性,表示水平和垂直的求和结果,表示up-sampling操作表示1×1卷积操作,表示压缩特性映射到二维和up-sampling大小为512×512,并生成最终的预测地图使用获得的地面实况特性映射失去监督。

3.5。损失函数

由于之间的问题明显不平衡样本类别的变化和nonchanging地区,改变目标显示不同尺度特征和小相对背景入住率。我们使用一个损失函数的组合平衡二叉叉和骰子损失系数样本有效的平衡,和损失函数(43)是一个加权和。这个公式是 在哪里是平衡二叉叉的损失;骰子损失系数;λ权重因子,以0.5的价值。在哪里 ,和 。 和代表的数量改变,改变像素在地面真理标签图像,分别。是乙状结肠输出像素 。

4所示。实验数据集和评价

评估方法的有效性,我们进行了一个全面的实验在三个数据集,CDD DSIFN, SYSU-CD。和精密(P),回忆(R),F1分(F1),和整体精度(OA)作为评价指标。

4.1。CDD数据集

CDD [44]数据集与真正的季节性变化是用于第一个实验数据。数据集包含了7双4725×2700像素的图片大小。以满足硬件需求,原始图像是切成16000个样本对大小为256×256像素。通过裁剪和旋转7对季节性变化的图像和将他们划分为训练集、验证集和测试集的比例10:三3,空间分辨率是3 - 100厘米。

4.2。DSIFN数据集

第二个实验数据包括6大,双重时间,高分辨率图像覆盖(即在中国6个城市。、北京、成都、深圳、重庆、武汉、西安)。双重时间图像的五对北京、成都、深圳、重庆和武汉裁剪成394双的子图象大小512×512。数据增强后,收购3940双重时间图像对的集合。西安形象对裁剪成48形象对模型试验。有3600对图像的训练数据集,340对图像验证数据集,和48对图像的测试数据集。

4.3。SYSU-CD数据集

数据集包含了20000对航拍图像大小为256×256香港2007年和2014年之间。SYSU-CD数据集的变化的主要类型包括(一)新的城市建筑;(b)郊区蔓延;(c)分段装配基础工程;(d)植被变化;(e)道路扩张;和(f)海洋建设。20000双图像分为训练集、验证集,和测试集的比例3:1:1。有12000对图像的训练数据集,4000对图像验证数据集,和4000对图像在测试数据集。

4.4。评价指标

遥感图像变化检测通常使用精度(P),回忆(R),F1分(F1),和整体精度(OA)作为评价指标,如方程所示6)(9)。F1分的求和平均精度和召回,并越高F1分,更健壮的模型。在CD任务中,一个较大的值代表一个小数量的假警报,一个较大的值代表一个小数量的错过了检测。与此同时,F1和OA揭示了整体性能,其更大的值将导致更好的性能。四个评价指标描述如下: 精密代表精确率,和回忆代表召回率。P和N代表模型的判断结果,T和F用于评估模型的判断结果是否正确,FP指假阳性情况下,FN指假阴性病例,TP指真正的情况下,和TN指真阴性病例。

5。实验设计和结果

我们的网络是由TensorFlow实现后端使用Keras框架。实验室配备一个专用的服务器进行网络的训练,我们使用小批量大小的批处理梯度下降4。我们选择了Adma优化器优化网络,在最初的学习速率为每个数据集设置为0.001,和所有实验训练了500发子弹。

5.1。Intermodule消融实验

在本节中,我们的行为在CDD intermodule消融实验,SYSU-CD, DSIFN数据集。表1给出了定量分析不同模块的两个数据集CDD和DSIFN。表2显示了不同的定量分析模块SYSU-CD数据集。数据5- - - - - -7显示两个数据集的定性分析。

5.2。烧蚀研究的基线网络

我们进行实验和vgg_16 HRNet为骨干网络,分别。实验结果如表所示1和2展示更好的性能当HRNet作为骨干网络。因此,我们的基准网络首先使用了两个双胞胎高分辨率网络HRNet作为特征提取的特征编码模块。其次,不同大小的特征图谱特征编码模块的输出后第一个channel-normalized。up-sampling操作和串联拼接操作执行获得特征值具有相同维数的信息。最后,dual-temporal图像的特征值是不同的,和绝对的值来获得dual-temporal功能融合在不同尺度的信息。解码模块的特性,不同大小的特征图谱通过融合up-sampling操作的差异是受到不同层次和融合输出。我们定量评估基准网络的性能如表的第二行所示1和2。第四和第五列的数据5- - - - - -7可视化结果与HRNet为骨干网络比那些vgg_16为骨干网络。大纲HRNet为骨干网络可视化所示。

5.3。烧蚀的研究凸轮

我们设计了上下文聚合模块(CAM)。这个模块可以放大卷积神经网络接受域不增加计算工作,获得不仅全球也(对不同通道)详细的局部上下文信息。从表可以看出1CAM模块的添加,基线网络结果在所有指标显著改善。CDD数据集的精度(P),回忆(R),F1分,总体精度(OA)分别为95.55%,86.59%,90.85%,和96.73%,分别添加此模块基线网络。与基线网络相比,P,R,F1,办公自动化是提高了0.71%,0.82%,0.78%,和0.70%,分别。DSIFN数据集的精度(P),回忆(R),F1分,总体精度(OA)分别为90.02%,84.43%,87.14%,和94.84%,分别后添加模块。与基线网络相比,P,R F1,OA提高了3.59%,0.88%,2.18%,和0.48%,分别。SYSU-CD数据集的精度(P),回忆(R),F1分,总体精度(OA)分别为88.07%,81.97%,87.77%,和92.25%,分别添加此模块基线网络。与基线网络相比,P,R,F1,办公自动化是提高了1.23%,2.09%,1.53%,和2.51%,分别。第六列的数据5- - - - - -7,很明显,CAM模块提高了边界相对于基线网络,和一些小目标中可以看到的第六列数字5和6。大纲已经被完全揭示,但仍有一些详细的功能尚未完全出现,需要进一步提取。这表明平行的深黑色的卷积的多种渠道确保了最大的信息提取。

5.4。烧蚀的研究SOEM

我们还研究了贡献SOEM模块的网络。侧输出嵌入模块(SOEM)保险丝浅和深特性和可以提高小规模目标和边缘检测的准确性。,它使浅层被训练更充分地避免梯度消失和收敛速度太慢。我们可以看到在桌子上1精度显著提升(P),回忆(R),F1分,总体精度(OA)实现的SOEM模块相比前两个烧蚀实验。CDD数据集,这个模块的加入改善了P,R,F1,OA 1.86%, 2.21%, 2.06%,和1.83%,分别比基线网络。相对于基线+凸轮,P,R,F1,OA提高了1.15%,1.39%,1.28%,和1.15%,分别。DSIFN数据集,P,R,F1,OA提高了4.97%,5.38%,4.91%,和1.01%,分别比基线网络添加此模块之后。相对于基线+凸轮,P,R,F1,办公自动化是提高了1.02%,4.50%,2.73%,和0.53%,分别。SYSU-CD数据集,这个模块的加入改善了P,R,F1,OA 4.36%, 4.05%, 2.47%,和5.15%,分别比基线网络。相对于基线+凸轮,P,R,F1,OA提高了3.13%,1.96%,0.94%,和2.64%,分别。我们可以看到在第七列的数据5- - - - - -7,添加此模块不仅提高了检测性能一般,但也使它的边缘更加完整。和第七列的数据5和6可以发现一些小型目标显示更准确。同时,此模块的详细特性提取地图使预测结果更接近真实的标签。因此,使用三个模块在一起使网络用于其最好的优势。

5.5。比较实验

为了显示我们提出的方法的优越性,提出了一种比较与其他5个变化检测网络。五变化检测网络包括完整的卷积网络金字塔池(FCN-PP) [45),完全卷积siamese-concatenation (FC-siam-conc) [46),完全卷积siamese-difference (FC-siam-diff) [46],Unet + + _MSOF [26),而干扰素(22]。表3展示了我们的方法的实验对比与其他五个方法CDD和DSIFN数据集。表4展示了我们的方法的实验对比与其他五SYSU-CD数据集的方法。如图8,不同方法的性能CDD DSIFN, SYSU-CD数据集使用线图定量分析格式。数据9- - - - - -11显示不同的可视化方法CDD, DSIFN, SYSU-CD数据集。

如表所示3,我们定量地评估CDD TCANet和不同方法的结果和DSIFN数据集。如表所示4,我们定量地评估的结果TCANet SYSU-CD数据集不同的方法。如图8,我们的网络性能指标最高的三个数据集。CDD数据集,精度,记得,F1分,OA TCANet分别为96.70%,87.98%,92.13%,和97.88%,分别比干扰素1.00%,0.18%,0.55%,和0.17%,分别。DSIFN数据集,这三个指标TCANet分别为91.04%,88.93%,89.87%,和95.37%,分别比干扰素2.19%,3.73%,3.18%,和6.51%,分别。SYSU-CD数据集,精度,记得,F1分,OA TCANet分别为91.20%,83.93%,87.02%,和94.89%,分别比干扰素3.36%,0.60%,1.37%,和3.78%,分别。数据9- - - - - -11显示不同的可视化方法三个数据集。红框表示改进区域。在可视化实验结果比较,可以看出,该方法的预测地图更接近真正的标签,从而证明该方法的有效性。

6。结论

摘要双胞胎上下文聚合网络(TCANet)调查。这项研究由喂养dual-temporal单独提取特征图像与共享两个网络参数。在特征提取阶段,传统的“encoder-decoder”结构的局限性。我们引入一个平行的多尺度分支HRNet降低空间信息的损失。此外,我们设计了独立的上下文聚合模块为每个分支(CAM),扩大有效的接受域和集成更多的上下文信息。然后,从特征编码阶段获得两个特征值差,和绝对的值来获得dual-temporal特征在不同尺度融合信息。最后,我们输入融合特性映射到端输出模块嵌入促进边缘和小目标的检测。我们建议的体系结构显示了一个大大提高现有的体系结构和实现方法更好的结果在三个遥感影像数据集(CDD、DSIFN SYSU-CD数据集)。方法的限制之一是,为了避免密集计算,HRNet减少了输入数据的空间大小初层。

在未来,我们将计划提高变化检测的训练速度和准确度,减少计算和HRNet试图合并更多的并行分支。由于变压器已广泛应用在遥感领域,许多学者变压器迁移到语义细分领域,所以我将计划引入变压器在下一步变化检测。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持国家重点研发项目合同2017 yfb0504203,甘肃省科技计划项目部门根据合同21 jr7ra310,兰州交通大学青年科学基金项目合同2021029。