基于孪生卷积神经网络的高分遥感影像变化检测  

High Resolution Remote Sensing Image Change Detection Based on Twin Convolutional Neural Network

作　　者：陈香[1] 李国金 高倩 袁景[1] CHEN Xiang;LI Guojin;GAO Qian;YUAN Jing

机构地区：[1]天津市测绘院有限公司,天津300381 [2]大连市规划测绘事务服务中心,辽宁大连116000

出　　处：《测绘》2025年第1期32-36,共5页Surveying and Mapping

摘　　要：准确及时的土地利用土地覆盖变化检测对于城乡建设规划、环境污染监测、农业林业调查、灾后评估、地图更新修测、可持续发展研究和水资源管理等应用领域十分重要。传统的变化检测方法存在针对性差、对操作员的依赖性强等问题,在处理某一特定传感器高分遥感影像时需要设计针对性较强的自动化变化检测算法。因此,越来越多普适性较高的神经网络算法被应用于高分遥感影像的自动化变化检测。针对普通神经网络模型的训练需要大量数据以及影像数据中存在类别不均衡的问题,本文提出一种以总体特征编码器(Overall Feature Encoder)和空间分布特征编码器(Spatial Feature Encoder)为网络支流的四分支孪生神经网络(Siamese Neural Network)。同时为了探究检测精度最佳的模型设计,本文以Semantic Change Detection数据集(SECOND)作为模型训练、验证和测试的数据源。在实验的过程中分析对比了不同的总体特征编码器和空间分布特征编码器设计对模型检测精度的影响,实验结果显示使用浅层卷积神经网络作为模型空间分布特征编码器时,模型检测的总体准确率最高,达到了91.46%。

关 键 词：土地利用 土地覆盖 变化检测 孪生神经网络 

分 类 号：P237[天文地球—摄影测量与遥感]