科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着深度学习技术在遥感变化检测领域的发展，许多基于卷积神经网络(CNNs)的变化检测算法得到了广泛的应用，但在建筑物变化检测中，仍存在样本不平衡、边界模糊等问题。为解决上述问题，提出基于孪生U-Net和边缘优化策略(Siamese U-Net and Edge Refinement Strategies, Siam-Unet-ERS)的建筑物变化检测方法。首先提出了边界优化策略，共享建筑物变化检测主任务和边界提取子任务之间的空间特征，以实现提升建筑物边界定位精度的目的。同时，设计了残差捷径模块，在不降低模型性能的同时提升模型收敛速率。网络在LEVIR-CD和WHU数据集上都经过验证和测试，分别达到了97.79%和98.92%的总体精度。实验结果表明，Siam-Unet-ERS方法优于一些以前较先进的变化检测方法。
