FlowS-Unet在遥感图像建筑物变化检测中的应用

"基于FlowS-Unet的遥感图像建筑物变化检测" 在当前的土地资源管理中，人工探查土地利用情况的方式面临着效率低下和任务繁重的问题。为了解决这一挑战，研究者提出了一种基于深度卷积神经网络（Deep Convolutional Neural Network, DCNN）的建筑物变化检测方法，该方法利用高分辨率遥感图像实现实时监测建筑物的新增、扩建和改建情况，以支持高效的土地资源管理。 该方法的核心是FlowS-Unet网络，它是对经典U-Net架构的一种改进。FlowS-Unet借鉴了超列（Hypercolumn）结构的概念，以及FlowNet中的细化（Refinement）技术。通过将细化和其他优化应用到U-Net，FlowS-Unet能够更好地捕捉图像的细节信息，提高变化检测的准确性。在数据预处理阶段，遥感图像经过裁剪、去噪和语义标注，形成数据集，并进一步划分为训练集和测试集。为了提高模型的泛化能力，训练集还进行了数据增强，并使用训练集图像的均值和方差进行归一化处理。 接下来，这个经过预处理的数据集被输入到集成有多尺度交叉训练（Multi-scale Cross Training）、多重损失计算（Multi-loss Computation）和Adam优化器的全卷积神经网络FlowS-Unet中进行训练。多尺度交叉训练有助于网络捕获不同尺度的信息，而多重损失计算则能优化不同任务的性能。Adam优化器是一种适应性的学习率方法，能有效调整权重更新的速度，以加速训练过程并提高模型收敛性。 训练完成后，FlowS-Unet对预测结果进行后处理，包括膨胀、腐蚀和孔洞填充等操作，以获得最终的分割结果。实验结果显示，FlowS-Unet在建筑物变化检测任务上的F1分数达到0.943，显著优于传统的FCN（Fully Convolutional Network）和U-Net的预测结果。这表明FlowS-Unet在实时性和准确性上都有出色的表现。 实验结果验证了FlowS-Unet模型在建筑物变化检测方面的优越性，不仅能够准确、快速地识别出遥感图像中的建筑物变化，而且由于其通用性，该模型还可以应用于其他类似图像检测问题，具有广阔的应用前景。关键词涵盖了FlowS-Unet、建筑物变化检测、全卷积神经网络、多尺度交叉训练和多重损失计算等领域，显示了该研究的深度和广度。 引用格式： 顾炼, 许诗起, 竺乐庆. 基于FlowS-Unet的遥感图像建筑物变化检测. 自动化学报, 2018, XX(X): X−X DOI: 10.16383/j.aas.2018.c180122 总结而言，FlowS-Unet是一种创新的深度学习模型，专门用于遥感图像中的建筑物变化检测，它通过融合多种优化策略，提高了对复杂场景变化的识别能力，为土地资源管理提供了高效、准确的技术支持。