一种基于深度学习的多任务建筑物提取及变化检测方法技术

本发明专利技术提出一种基于深度学习的多任务建筑物提取及变化检测方法，通过深度神经网络架构联合建筑物提取和变化检测任务，包括：编码器网络、建筑物提取解码器网络和建筑变化解码器网络，以实现对遥感影像中建筑物的识别任务，及检测建筑物变化区域任务；采用多任务建筑物提取及变化检测神经网络将基于多时相的卫星遥感影像数据进行预处理并生成数据集中不同时相的影像对分别作为图像T1和图像T2两个通道的数据输入，并分别经过编码器网络提取图像中建筑物的深层次特征，将图像T1通道提取的特征经过建筑提取解码器网络得到建筑物提取结果，将图像T1通道提取的特征与图像T2通道提取的特征经过建筑物变化解码器网络后获得建筑物变化检测结果。

【技术实现步骤摘要】

本专利技术涉及深度学习、计算机视觉、建筑物提取、变化检测等，尤其涉及一种基于深度学习的多任务建筑物提取及变化检测方法。

技术介绍

1、在电网领域中，基于遥感图像的建筑物提取和变化检测技术具有广泛的应用价值，特别是在电力设施监控、线路巡检和灾后评估等方面。传统的建筑物提取和变化检测方法通常需要依赖人工设计的特征提取和分类器，这些方法在处理大规模遥感数据时存在效率低下和准确性不高的问题。深度学习算法以其强大的特征学习能力和自适应性，成为了解决建筑物提取和变化检测问题的有效工具。基于深度学习的方法可以自动学习图像中的特征表示，无需手动设计特征，并且可以通过端到端的训练方式进行模型的优化。这样的优势使得基于深度学习的方法在建筑物提取和变化检测任务中取得了显著的效果提升。

2、然而，现有的基于深度学习的建筑物提取和变化检测方法仍然存在一些问题。传统的建筑物提取和变化检测方法通常将其作为两个独立的任务进行处理，忽略了二者之间的相关性。

技术实现思路

1、采用深度学习的方法，通过构建一种深度神经网络架构，将建筑本文档来自技高网...

【技术保护点】

1.一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：通过深度神经网络架构联合建筑物提取和变化检测任务，包括：编码器网络、建筑物提取解码器网络和建筑变化解码器网络，以实现对遥感影像中建筑物的识别任务，及检测建筑物变化区域任务；

2.根据权利要求1所述的一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：

3.根据权利要求1所述的一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：

4.根据权利要求3所述的一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：所述建筑物提取解码器网络将图像T1通道经过CNN特征提取...

【技术特征摘要】

1.一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：通过深度神经网络架构联合建筑物提取和变化检测任务，包括：编码器网络、建筑物提取解码器网络和建筑变化解码器网络，以实现对遥感影像中建筑物的识别任务，及检测建筑物变化区域任务；

2.根据权利要求1所述的一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：

3.根据权利要求1所述的一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：

4.根据权利要求3所述的一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：所述建筑物提取解码器网络将图像t1通道经过cnn特征提取模块输出的低纬度特征llow1，接下来，将低纬度特征llow1通过1×1卷积、批归一化和relu激活函数层获得的结果，与cnn特征提取模块输出的高纬度特征lhigh1经过多尺度特征提取模块、4倍的上采样后的结果叠加，得到特征lcode1，将特征lcode1再经过3×3卷积、批归一化和relu激活函数层和4倍的上采样，获得建筑物提取的结果。

5.根据权利要求3所述的一种基于深度学习的多任务建筑物提取及变化检测方法，其特征在于：所述建筑变化解码器网络将图像t2通道的cnn特征提取模块输出的低纬度特征llow2，经过1×1卷积、批归一化和relu激活函数层获得的结果，与cnn特征提取模块输出的高纬度特征lhigh2经过多尺度特征提取模块、4倍上采样后的结果叠加，得到特征lcode2，然后，将特征lcode2与上述得到的特征lcode1进行连接，结果经过3×3卷积、批归一化和relu激活函数层得到融合特征lf1；将特征lhigh1和lhi...

【专利技术属性】
技术研发人员：王晓杰，许军，方超颖，王利伟，王森，闫皓炜，程燕胜，陈艳芳，孙振蓉，陈少康，吴晓杰，郑钟楠，黄友聪，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：