一种基于孪生多任务网络的城市建筑物变化遥感检测方法技术

本发明专利技术提供了一种基于孪生多任务网络的城市建筑物变化遥感检测方法，包括以下步骤：步骤S1：选择覆盖研究区域的双时相高分辨率遥感影像；步骤S2：构建多任务特征提取器；步骤S3：基于步骤S2，构建特征差异度量模块；步骤S4：建立联合损失函数；步骤S5：构建遥感影像数据集进行样本迁移，制作模型训练样本库；步骤S6：训练孪生多任务模型。应用本技术方案可解决传统孪生神经网络在遥感影像变化检测结果中出现的检测边界与实际边界吻合度较低的问题，减少由于高分辨率遥感影像的空间位移问题而造成的错检漏检现象，而且端对端的模型架构有效提升了变化检测效率，为高效获取高分辨率影像中精细的城市建筑物变化信息提供技术支撑。撑。撑。

【技术实现步骤摘要】
一种基于孪生多任务网络的城市建筑物变化遥感检测方法


[0001]本专利技术涉及建筑物变化遥感检测方法的
，特别是一种基于孪生多任务网络的城市建筑物变化遥感检测方法。

技术介绍

[0002]城市区域的建筑物是城市里边十分重要的地理要素，是人们居住、工作、生活等活动的基本载体。快速的城市化进程带来了城市地表的快速变化，其中建筑物的变化(拆除、新建)等尤为显著。有效地识别城市区域建筑物的变化信息为土地资源管理、城市环境监测和城市可持续发展战略制定等应用提供了重要的数据支撑。传统的建筑物变化信息采集手段多依靠人工测绘或目视解译航空像片获得，方法耗时耗力、效率较低。
[0003]近年来，卫星遥感技术蓬勃发展，影像的空间分辨率不断提高，对空间细节的表征能力不断增强，为精细的建筑物变化识别带来了机会。但目前城市建筑物变化检测方法依然存在诸多挑战，受影像拍摄姿态影响，不同时相的高分辨率影像常存在空间位移现象，造成严重的漏检或错检；此外，受影像拍摄季相影响，不同物候期的植被覆盖存在显著的光谱差异，检测结果不确定性增大。因此，面向可持续城市发展建设，如何基于高分辨率遥感影像精准的识别城市区域的建筑物变化信息是当前亟待解决的技术问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于孪生多任务网络的城市建筑物变化遥感检测方法，解决传统孪生神经网络在遥感影像变化检测结果中出现的检测边界与实际边界吻合度较低的问题，减少由于高分辨率遥感影像的空间位移问题而造成的错检漏检现象，而且端对端的模型架构有效提升了变化检测效率，为高效获取高分辨率影像中精细的城市建筑物变化信息提供技术支撑。
[0005]为实现上述目的，本专利技术采用如下技术方案：一种基于孪生多任务网络的城市建筑物变化遥感检测方法，包括以下步骤：
[0006]步骤S1：选择覆盖研究区域的双时相高分辨率遥感影像，并对遥感影像进行预处理；
[0007]步骤S2：基于卷积神经网络，构建多任务特征提取器，同时提取遥感影像的区域特征F
mask
和边界特征F
contour
；
[0008]步骤S3：基于步骤S2，构建特征差异度量模块，分别计算双时相影像的区域特征差异度D
mask
及边界特征差异度D
contour
；
[0009]步骤S4：建立联合损失函数，在模型训练阶段，使用联合损失函数约束步骤S2、步骤S3不断调优；
[0010]步骤S5：收集用于高分辨率遥感影像变化检测的公开影像数据集，构建对抗神经网络对公开遥感影像数据集进行样本迁移，制作模型训练样本库；
[0011]步骤S6：训练孪生多任务模型，并将训练好的模型用于步骤S1所获遥感影像的城
市建筑物变化检测。
[0012]在一较佳的实施例中，步骤S1具体包括以下步骤：
[0013]步骤S11：选择存在建筑物变化区域的两幅不同时相高分辨率遥感影像，并对遥感影像进行预处理；主要包括：正射校正、多光谱
‑
全色融合操作；
[0014]步骤S12：对步骤S11获得的双时相遥感影像进行地理配准。
[0015]在一较佳的实施例中，步骤S2具体包括以下步骤：
[0016]步骤S21：基于卷积神经网络，使用卷积层代替全连接层，构建编码器；编码器被两个任务共用，编码器由四部分构成，每部分均包含一个空洞卷积层、池化层和激活函数；
[0017]步骤S22：使用多个下采样模块构建区域解码器和边界解码器，并在各解码器中采用跳层连接机制，将双时相图像的深浅层特征结合；
[0018]步骤S23：基于步骤S21、S22构建多任务特征提取器；并在特征提取器中加入注意力机制；
[0019]步骤S24：使用两个权值共享的多任务特征提取器搭建孪生神经网络，自动学习不同时刻遥感影像T1和T2的图像区域特征F
mask
和边界特征F
contour
。
[0020]在一较佳的实施例中，步骤S3具体包括以下步骤：
[0021]步骤S31：分别计算图像区域特征F
mask
、边界特征F
contour
之间的欧氏距离，获取距离图D
mask
和D
contour
；计算像素级特征间差异度D
P
采用下式：
[0022][0023]式中，i,j代表像素的坐标值，代表第一时相的遥感影像在指定位置像素的特征值，代表第二时相的影像在指定位置像素的特征值；
[0024]步骤S32：对步骤S31获得的距离图D
mask
、D
contour
进行卷积操作，使用Softmax层完成特征差异度量模块构建。
[0025]在一较佳的实施例中，步骤S4具体包括以下步骤：
[0026]步骤S41：使用负对数似然损失作为多任务特征提取器模块中区域、边界特征提取任务的损失函数，特征提取部分的总损失函数公式为：
[0027]L
total
＝λ1L
mask
+λ2L
contour
[0028]式中，L
total
表示特征提取部分的总损失值，λ1、λ2是各部分损失的权重参数；具体的单项损失计算公式为：
[0029][0030][0031]式中，L
mask
、L
contour
分别表示区域提取和边界提取的像素分类误差；x是图像空间Ω中的像素位置；P
mask
(x；l
mask
(x))、P
contour
(x；l
contour
(x))表示Softmax激活函数对真标签L
mask
和L
contour
的预测概率；
[0032]步骤S42：特征差异度量模块使用Focal Loss函数：
[0033]L
FocalLoss
＝
‑
α(1
‑
ρ
t
)
λ
log(ρ
t
)
[0034][0035]式中，L
FocalLoss
表示Focal Loss函数，α是来控制正负样本对总损失的共享权重，λ为可调的聚焦参数，p为变化概率；
[0036]步骤S43：设置孪生多任务神经网络的损失函数L
Siam_mul_task
为：
[0037]L
Siam_mul_task
＝θ1L
total
+θ2L
FocalLoss
[0038]式中，θ1、θ2表示各部分权重比例，L
total
为特征提取部分的损失函数。
[0039]在一较佳的实施例中，步骤S5具体包括以下步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，基于孪生神经网络和多任务学习，包括以下步骤：步骤S1：选择覆盖研究区域的双时相高分辨率遥感影像，并对遥感影像进行预处理；步骤S2：基于卷积神经网络，构建多任务特征提取器，同时提取遥感影像的区域特征F
mask
和边界特征F
contour
；步骤S3：基于步骤S2，构建特征差异度量模块，分别计算双时相影像的区域特征差异度D
mask
及边界特征差异度D
contour
；步骤S4：建立联合损失函数，在模型训练阶段，使用联合损失函数约束步骤S2、步骤S3不断调优；步骤S5：收集用于高分辨率遥感影像变化检测的公开影像数据集，构建对抗神经网络对公开遥感影像数据集进行样本迁移，制作模型训练样本库；步骤S6：训练孪生多任务模型，并将训练好的模型用于步骤S1所获遥感影像的城市建筑物变化检测。2.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤S1具体包括以下步骤：步骤S11：选择存在建筑物变化区域的两幅不同时相高分辨率遥感影像，并对遥感影像进行预处理；主要包括：正射校正、多光谱
‑
全色融合操作；步骤S12：对步骤S11获得的双时相遥感影像进行地理配准。3.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤S2具体包括以下步骤：步骤S21：基于卷积神经网络，使用卷积层代替全连接层，构建编码器；编码器为两个任务共用，编码器由四部分构成，每部分均包含一个空洞卷积层、池化层和激活函数；步骤S22：使用多个下采样模块构建区域解码器和边界解码器，并在各解码器中采用跳层连接机制，将双时相图像的深浅层特征结合；步骤S23：基于步骤S21、S22构建多任务特征提取器；并在特征提取器中加入注意力机制；步骤S24：使用两个权值共享的多任务特征提取器搭建孪生神经网络，自动学习不同时刻遥感影像T1和T2的图像区域特征F
mask
和边界特征F
contour
。4.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤S3具体包括以下步骤：步骤S31：分别计算图像区域特征F
mask
、边界特征F
contour
之间的欧氏距离，获取距离图D
mask
和D
contour
；计算像素级特征间差异度D
P
采用下式：式中，i,j代表像素的坐标值，代表第一时相的遥感影像在指定位置像素的特征值，代表第二时相的影像在指定位置像素的特征值；步骤S32：对步骤S31获得的距离图D
mask
、D
contour
进行卷积操作，使用Softmax层完成特征
差异度量模块构建。5.根据权利要求1所述的一种基于孪生多任务网络的城市建筑...

【专利技术属性】
技术研发人员：李蒙蒙，刘宣广，汪小钦，陈芸芝，
申请(专利权)人：福州大学，
类型：发明
国别省市：