科研之友
微信
新浪微博
Facebook
分享链接
摘要
利用遥感影像检测地表变化对了解地表动态至关重要。近年来，基于深度学习的变化检测方法因其优异的特征提取和表达能力而成为研究的热点。在全卷积网络结构方法中，融合多尺度特征信息是提高变化检测性能的关键，以往方法大多采用跳跃连接或密集连接结构，一定程度上提高了变化检测方法的精度。然而，此类方法只对相同尺度上的特征进行融合，无法从多尺度上融合足够的信息而导致达不到令人满意结果。本文提出了一种全尺度特征聚合网络(FSANet),用于解决遥感影像变化检测问题。首先，使用孪生网络提取双时相影像的特征；然后，利用全尺度特征连接结构将提取的特征有效地连接起来，为了防止特征冗余，使用特征细化模块将特征细化；最后，为了优化模型训练，采用多尺度监督策略，在解码器中额外输出多个检测结果，共同计算最终的损失值。为了验证方法的可行性，本文使用LEVIR-CD数据集和SVCD数据集来评估模型。试验结果表明，本文方法优于其他主流的变化检测方法，同时在精度和复杂度之间有着较好的平衡。
- 单位
