【技术实现步骤摘要】
本专利技术属于土地变化检测，尤其涉及一种结合矩阵分解和自适应传播的土地变化检测方法。
技术介绍
1、土地利用/土地覆盖变化检测是通过遥感技术和变化检测算法，对同一地区不同时相的遥感影像定量分析地表变化。通过检测土地变化，可以了解某一地区的发展趋势、环境变化以及人类活动对土地的影响。这对于可持续发展规划、资源管理和环境保护都有很重要的意义。传统的土地变化检测方法根据对象单元可以分为基于像素和基于对象两类。基于像素的变化检测方法仅考虑单个像元，未考虑空间上下文。而基于对象的变化检测方法在考虑地物空间结构和上下文信息方面更为优越，但需要更多的计算资源。
2、近年来，基于深度学习的土地变化检测方法被广泛应用于遥感领域。深度学习方法在语义分割任务中取得了显著的成果。典型的深度学习语义分割网络通常采用卷积神经网络结构，通过多层次的卷积和池化操作提取图像的特征信息，然后通过上采样或反卷积操作将特征图恢复到输入图像的分辨率，并逐像素地进行分类。基于卷积神经网络的分类方法与传统基于像素和对象的方法相比可以实现良好的效果。以往的基于后分类的深度...
【技术保护点】
1.一种结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，结合矩阵分解和自适应传播的深度学习模型，针对高分辨率遥感数据进行土地变化检测；利用孪生差分结构实现前后时相遥感影像的端到端学习，并通过共享网络参数提高特征学习的效率；利用基于矩阵分解的全局注意力模块，降低全局信息建模的计算和内存开销，同时通过自适应传播算法解决边缘像素点采样问题，提高模型对地物边缘的捕捉能力；基于Pytorch框架实现，使用WHU建筑变化检测和LEVIR-CD数据集，进行高分辨率数据的获取、预处理、模型搭建、训练、验证和测试评估。
2.如权利要求1所述结合矩阵分解和自适应传播的...
【技术特征摘要】
1.一种结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，结合矩阵分解和自适应传播的深度学习模型，针对高分辨率遥感数据进行土地变化检测；利用孪生差分结构实现前后时相遥感影像的端到端学习，并通过共享网络参数提高特征学习的效率；利用基于矩阵分解的全局注意力模块，降低全局信息建模的计算和内存开销，同时通过自适应传播算法解决边缘像素点采样问题，提高模型对地物边缘的捕捉能力；基于pytorch框架实现，使用whu建筑变化检测和levir-cd数据集，进行高分辨率数据的获取、预处理、模型搭建、训练、验证和测试评估。
2.如权利要求1所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，具体包括以下步骤：
3.如权利要求2所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，所述配置深度学习环境方法如下：
4.如权利要求2所述结合矩阵分解...
【专利技术属性】
技术研发人员：李世华，刘玉婷，罗富贵，行敏锋，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。