基于FlowS-Unet的遥感图像建筑物变化检测

摘要

针对目前人为探察土地资源利用情况的任务繁重、办事效率低下等问题,提出了一种基于深度卷积神经网络的建筑物变化检测方法,利用高分辨率遥感图像实时检测每个区域新建与扩建的建筑物,以方便对土地资源进行有效管理.本文受超列(Hypercolumn)和FlowNet中的细化(Refinement)结构启发,将细化和其他改进应用到U-Net,提出FlowS-Unet网络.首先对遥感图像裁剪、去噪、标注语义制作数据集,将该数据集划分为训练集和测试集,对训练集进行数据增强,并根据训练集图像的均值和方差对所有图像进行归一化;然后将训练集输入集成了多尺度交叉训练、多重损失计算、Adam优化的全卷积神经网络FlowS-Unet中进行训练;最后对网络模型的预测结果进行膨胀、腐蚀以及孔洞填充等后处理得到最终的分割结果.本文以人工分割结果为参考标准进行对比测试,用FlowS-Unet检测得到的F1分数高达0.943,明显优于FCN和U-Net的预测结果.实验结果表明,FlowS-Unet能够实时准确地将新建与扩建的建筑物变化检测出来,并且该模型也可扩展到其他类似的图像检测问题中.