[发明专利]一种基于轻量级网络的建筑物变化检测方法

说明书

本发明提出了一种基于轻量级网络的建筑物变化检测方法，包括：获取待检测区域不同时相的遥感影像对；分别提取遥感影像对中的多级特征；在对影像多级特征进行融合的基础上，计算建筑物变化检测结果图；对建筑物变化检测结果进行后处理；最后，对后处理结果进行矢量化，得到最终建筑物变化检测的矢量结果。本发明使用轻量级网络提取建筑物特征，降低了网络的参数量和计算量，保证网络拥有更小的体积和更快的运行速度；同时在特征融合阶段利用反卷积动态学习权重参数，减少在尺寸恢复阶段有用信息的丢失，从而保证建筑物变化检测的精度。

技术领域

本发明属于建筑物变化检测技术领域，具体涉及一种基于轻量级网络的建筑物变化检测方法。

背景技术

近年来，基于深度学习的建筑物变化检测方法发展迅速，其中卷积神经网络凭借其强大的特征提取能力为建筑物变化检测算法的优化提供了新的思路。

现有的基于卷积神经网络的建筑物变化检测方法按设计策略可分为先分类后比较和直接比较法，先分类后比较方法是先使用卷积神经网络提取变化前后影像的特征或者建筑物结果，然后再对特征或者建筑物结果进行比较，对于先提取特征的方法虽然可以自动学习深度特征，但本质上还是逐像素的分析，对于拍摄角度不同所产生的伪变化问题难以解决；对于先输出建筑物结果的方法，需要同时具备变化标签和双时态语义标签，而这种数据集目前较少。直接分类法根据网络框架的设计可分为单流直接分类和双流直接分类。在单流结构中，直接将两期影像按通道拼接或者使用两期影像处理后的差异图像输入到一个语义分割网络中，获得变化结果；该类方法虽然利用多尺度和多层次的丰富特征，但是在编码和解码过程忽视了单个影像本身的独立特征，比如单个影像的边界完整性和建筑物内部紧凑性，导致检测结果中边界错误以及建筑物内部空洞。在双流结构中，通常使用两个相同的特征提取器分别提取两期影像特征，再通过特征融合网络，得到变化结果；该类方法在建筑物变化检测中表现良好，但是网络规模巨大，当使用具有“非常深”的网络结构提取特征时，会导致计算量庞大等问题。

发明内容

本发明所要解决的技术问题是针对使用复杂的深层网络和多尺度融合的建筑物变化检测方法带来的高额计算成本问题，提出了一种基于轻量级网络的建筑物变化检测方法。该方法可以减少模型的参数和计算量，同时保证变化检测的精度。

本发明采用具有双流结构的变化检测网络，以MobilenetV2为特征提取器，分别提取两期影像的多级特征，然后对多级特征进行融合，最后，得到变化检测结果。

本发明所采用的技术方案如下：

一种基于轻量级网络的建筑物变化检测方法，该方法包括以下步骤：

步骤1)获取待检测区域的遥感影像，所述遥感影像包括在时间t₁和t₂分别获取的影像A和B；

步骤2)提取建筑物变化检测影像对A和B的特征，分别得到影像A的特征AF和影像B的特征BF：

采用权重共享的双流结构网络分别提取变化检测影像对A和B的特征，所述的双流结构网络分支中的特征提取器为轻量级网络MobilenetV2，把MobilenetV2的第四层和第十七层作为变化检测影像对A和B的低级特征和高级特征，由此可得建筑物变化检测影像对A和B的特征为AF＝{A_Fi|i＝4，17}和BF＝{B_Fi|i＝4，17}；

步骤3)计算影像A和B中建筑物的变化结果图：

3.1)将步骤2)所述影像A和B的低级特征和高级特征分别融合，得到融合后特征F_l和F_h表示如下：

F_l＝conv_k＝3(conv_k＝3(concat(A_F4，B_F4)))#(1)