[发明专利]基于二值变化检测对比学习的高分辨遥感图像语义变化检测方法

说明书

本发明涉及一种基于二值变化检测对比学习的高分辨遥感图像语义变化检测方法；构建了基于高分辨网络的简单可扩展的直接语义变化检测模型来进行语义变化检测，并在变化检测上对比学习损失作为监督，有效挖掘由于类别不平衡而导致的难分类样本，提高网络对难分类样本的分类性能；在对比学习中，采用半难半易的采样策略，使网络在关注难分类样本的同时易于收敛。通过半难半易的采样策略，对比损失可以指导网络为变化检测提供适当的监督，特别是更加关注难以正确分成变化类或未变化类的样本，从而提高模型的整体语义变化性能。本发明在变化区域上细节更加精确，形状更加完整，同时对语义变化类别的分类更加准确。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于二值变化检测对比学习的高分辨遥感图像语义变化检测方法。

背景技术

语义变化检测是遥感图像解译中的一个关键和具有挑战性的任务，它是一种利用同一地理位置多时相遥感图像来检测、定位和分析地球表面土地覆盖类型“从-到”语义变化的方法，该方法在城市规划、环境监测和灾害评估等领域发挥着重要作用。

近年来，随着深度学习技术的快速发展和大量多时相高分辨率遥感图像的产生，基于深度学习的语义变化检测方法取得了长足的进步。与传统的语义变化检测方法相比，其语义变化检测性能有了明显的提高。为了同时解决语义分割和变化检测问题，现有的基于深度学习的方法大多侧重于设计合适的网络结构来有效地编码和整合语义上下文信息和变化信息。例如，Dault等人在文献“Multitask learning for large-scale semanticchange detection.”中探索并比较了4种常见的基于深度学习的语义变化检测网络结构，分别是：比较双时相语义分割结果得到语义变化检测结果，直接进行语义变化检测，分别进行语义分割和变化检测，分别进行语义分割和变化检测并在解码器阶段将语义分割信息提供给变化检测。Peng等人在文献“Scdnet:Anovel convolutional network for semanticchange detection in high resolution optical remote sensing imagery.”中提出了SCDNet，在编码器阶段，其采用共享权重的Resnet34提取语义上下文信息和变化信息，在解码器阶段整合语义上下文信息和变化信息直接进行语义变化检测。Zheng等人在文献“Changemask:Deep multi-task encoder-transformer-decoder architecture forsemantic change detection.”中将SCD解耦为两个语义分割任务和一个变化检测任务，然后采用EfficientNet作为编码器，UNet++作为语义分割的解码器，Transformer提取变化信息，Unet++作为变化检测的解码器，最后用语义分割结果和变化检测结果产生语义变化检测结果。

但是目前深度学习的语义变化检测方法还存在着一些问题：1.在现有的语义变化检测方法中，一部分方法将语义变化检测任务拆分成语义分割任务和变化检测任务，通过整合语义分割和变化检测的结果得到最终的语义变化检测结果，这种方法会占据大量的内存和计算资源，另一部分方法直接进行语义变化检测，但是不能够在整合语义分割和变化检测信息的同时保持模型的简洁高效和可扩展性，因此设计一个简单可扩展的网络直接进行语义变化检测非常有必要；2.直接进行语义变化检测时，二值变化检测的效果会极大程度上影响整体的语义变化检测的效果，因此在进行语义变化检测时为变化检测加入额外的监督是非常有必要的；3.高分辨率语义变化检测数据集在未变化类别和变化类别上存在严重的类别不平衡问题，具体来说，未变化类别的样本数在总体样本数中占比超过90％，远大于变化类别的样本数。在训练过程中，网络由占比高的未变化类别主导，导致在占比低的变化类别上性能不佳，因此在训练过程中，会出现大量难以正确进行分类的样本，如何关注和利用这些难样本，让网络能够对它们进行正确地分类是重点和难点。

发明内容

要解决的技术问题

针对目前语义变化检测结果精度不足的问题，本发明提供一种基于二值变化检测对比学习的高分辨遥感图像语义变化检测方法。