【技术实现步骤摘要】
遥感影像建筑物变化检测方法、装置、设备及存储介质
[0001]本专利技术涉及遥感
,尤其涉及一种遥感影像建筑物变化检测方法、装置、设备及存储介质。
技术介绍
[0002]遥感影像的变化检测是从两时相或者多时相影像中提取出变化的地物信息。遥感影像建筑物变化检测,是针对建筑物这一类人工地物,提取其变化特征,从而判断建筑物是否发生了变化。遥感影像的变化检测在国土变更调查、城市扩张分析等领域都有着广泛的应用。
[0003]目前,遥感影像建筑物变化检测方法一直是遥感应用领域的研究热点,总体可以分类为传统方法和基于学习的方法。传统方法主要包括数值运算法、变换法和高级模型法。基于学习的方法主要可以分为基于随机森林的方法、基于支持向量机的方法和基于卷积神经网络为代表的深度学习的方法。
[0004]现有的遥感建筑物变化检测方法主要存在有以下问题:第一是现有的模型没有专门针对农村宅基地上村民自建房的研究,农村宅基地上村民自建房屋主要有房屋面积较小、房屋形状不规则、房屋间间距较小等特点;第二是现有的变化检测方法中缺乏将纹理特征和不同时相特征相互结合的深度学习网络结构;第三是现有的训练的方法没有针对建筑物变化检测样本不平衡问题进行有效的优化。综上,需要提供一种针对农村宅基地上建筑的遥感影像建筑物变化检测方法。
技术实现思路
[0005]本专利技术提供了一种遥感影像建筑物变化检测方法、装置、设备及存储介质,能够改善训练正负样本不均衡的问题,从而提高遥感影像建筑物变化检测精度。
[0006]第一方面 ...
【技术保护点】
【技术特征摘要】
1.一种遥感影像建筑物变化检测方法,其特征在于,包括:获取训练数据的前后两时相影像;编码操作:采用孪生卷积神经网络对所述前后两时相影像进行特征提取和特征堆叠,得到初始变化信息;训练操作:采用长短时记忆网络对所述初始变化信息进行训练,得到精细变化信息;解码操作:采用反卷积将所述精细变化信息还原,得到初始变化检测结果;构建组合损失函数,以i的初始值为1,执行第i次评价操作:根据所述组合损失函数对所述初始变化检测结果进行损失评价,得到第i次损失值;优化操作:采用Adam优化算法对所述孪生卷积神经网络和所述长短时记忆网络进行参数更新,并再次执行所述编码操作、所述训练操作、所述解码操作和所述评价操作,将所述第i次损失值更新为第i+1次损失值;判断i是否满足i小于预设的训练次数N,若是,则对i加一并返回执行所述优化操作;若否,则执行以下差值判断操作:判断所述第i+1次损失值与所述第i次损失值的差值是否小于预设的阈值,若是,则将所述初始变化检测结果更新为建筑物的最终变化检测结果;若否,则执行所述优化操作以更新所述第i次损失值和所述第i+1次损失值,并返回至所述差值判断操作。2.根据权利要求1所述的遥感影像建筑物变化检测方法,其特征在于,所述编码操作包括:根据多组不同尺度的卷积模块进行特征提取,并对上一组卷积模块的输入特征进行计算,得到不同尺度的特征;其中,所述孪生卷积神经网络由N组卷积模块依次拼接组成;将所述不同尺度的特征沿着通道方向进行堆叠得到初始堆叠特征,并将所述初始堆叠特征沿着通道方向进行切片得到初始切片特征;将所述初始切片特征依次输入长短时记忆网络进行训练,得到训练后特征;将所述训练后特征按照初始位置进行排列,得到训练后的初始特征;对所述训练后的初始特征进行激活,得到与当前的卷积模块对应的特征提取结果,并依次通过N组卷积模块,得到初始变化信息。3.根据权利要求1所述的遥感影像建筑物变化检测方法,其特征在于,所述训练操作包括:构建空间注意力特征网络和通道注意力特征网络;根据长短时记忆网络、所述空间注意力特征网络和所述通道注意力特征网络,对所述初始变化信息进行特征重标定,得到通道注意力特征和空间注意力特征;将所述空间注意力特征、所述通道注意力特征和所述初始变换信息进行点乘,得到精细变化信息。4.根据权利要求3所述的遥感影像建筑物变化检测方法,其特征在于,所述对所述初始变化信息进行特征重标定,得到通道注意力特征,包括:沿着通道方向对所述初始变化信息进行全局均值池化操作,得到压缩后的一维特征向量;将所述一维特征向量输入所述长短时记忆网络进行训练,得到第一中间特征向量;将所述第一中间特征向量输入与所述长短时记忆网络对称的网络中进行学习,得到通
道注意力特征。5.根据权利要求3所述的遥感影像建筑物变化检测方法,其特征在于,所述对所述初始变化信息进行特征重标定,得到空间注意力特征,包括:沿着通道方向逐个像素对所述初始变化信息进行切片处理,得到切片后的特...
【专利技术属性】
技术研发人员:刘洋,陈亨,周广华,田泽海,梁智勇,王代雄,
申请(专利权)人:广州市城市规划勘测设计研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。