CN112417984B - 基于共注意力机制的时序鲁棒遥感影像变化检测方法 - Google Patents

基于共注意力机制的时序鲁棒遥感影像变化检测方法 Download PDF

Info

Publication number
CN112417984B
CN112417984B CN202011176820.8A CN202011176820A CN112417984B CN 112417984 B CN112417984 B CN 112417984B CN 202011176820 A CN202011176820 A CN 202011176820A CN 112417984 B CN112417984 B CN 112417984B
Authority
CN
China
Prior art keywords
model
remote sensing
sensing image
change detection
time sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011176820.8A
Other languages
English (en)
Other versions
CN112417984A (zh
Inventor
黄进
郑思宇
尹航
李剑波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011176820.8A priority Critical patent/CN112417984B/zh
Publication of CN112417984A publication Critical patent/CN112417984A/zh
Application granted granted Critical
Publication of CN112417984B publication Critical patent/CN112417984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于遥感影像变化检测技术领域，公开了一种基于共注意力机制的时序鲁棒遥感影像变化检测方法。该方法定义模型对称度的概念，通过调整模型的模型对称度来优化模型结构；在模型训练时加入随机交换输入时序的增广操作，增强模型的鲁棒性；提出双通道‑孪生结构，在处理图像输入时将孪生结构与双通道结构结合，增强数据融合效果；提出基于双通道‑孪生结构的共注意力模块。本发明以一个100％模型对称度的模型为基准，适当降低模型对称度，并且配合随机交换输入时序的增广操作，再部署双通道‑孪生结构以及基于此结构的共注意力模块，模型能够有效地规避图像输入时序带来的影响，同时提升变化检测效果。

Description

基于共注意力机制的时序鲁棒遥感影像变化检测方法
技术领域
本发明属于遥感影像变化检测技术领域，尤其涉及一种基于共注意力机制的时序鲁棒遥感影像变化检测方法。
背景技术
遥感影像变化检测旨在分析比较一对或一组，同一地点不同时间的遥感影像，并将影像中随时间发生变化的区域输出到影像中。这项技术被广泛应用于土地利用类型变化、城市绿化覆盖监测、林地开伐监测等许多重要的遥感相关领域。目前，主流的遥感影像变化检测技术以深度学习为主，其模型架构如图2所示，其步骤可简要概括为，采集影像并制作数据集以训练神经网络模型，再将训练好的模型进行测试以及实际部署。然而现有技术往往会忽略时间因素的影响，即影像输入的时序将严重影响模型的检测效果。具体表现为，影像以时序输入时，模型可以获得较好的检测结果；但将影像按逆时间顺序输入时，模型效果非常不理想。同时，现有技术缺乏更好的提取两组或多组影像相关性的办法以提升检测效果。因此，亟需一种新的基于共注意力机制的时序鲁棒遥感影像变化检测方法。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术对时间因素的忽略。这一点会直接造成检测方法对时序的弱鲁棒性以及对影像理解的偏颇。以图3为例，图3展示了现有技术对某地变化检测结果，其中，图(a)和(b)为一组该地不同时期的遥感影像，图(c)为标准变化检测输出，图(d)为影像时序输入时的检测结果，图(e)为影像逆时序输入时的检测结果(需要额外说明的是，图(c)-(e)中白色所覆盖的区域为变化区域)。可以看出，变化检测结果(d)和(e)的主要区别在于交叉线所表征的建筑识别。图(d)的结果表明，模型能检测出该建筑从无到有修建完成的变化，即从图(a)到图(b)的变化；而图(e)的结果却表明，模型无法检测出该建筑被拆迁或移除的情况，即从图(b)到图(a)的变化。更一般而言，这种现象可归纳为对时序输入的鲁棒性差，模型会呈现出，对物体按特定时序的变化有较强的检测效果，却缺乏处理其他情况时序变化的泛化能力。
(2)现有技术缺乏对影像相关性更好的提取方式。通常，影像相关性的提取由共注意力机制实现。然而，共注意力机制的缺点在于，计算相关性矩阵时的计算量与特征图像面积的平方呈正相比。这一点限制了该机制只能被部署于模型结构中小特征图处，而缺失了对大特征图乃至图像全局信息的理解。
解决以上问题及缺陷的难度为：现有技术缺乏对该领域下时序鲁棒性的研究与讨论，缺少应对该问题的有效方法与评估。对于相关性提取的方式而言，现有共注意力机制虽然存在着一定的缺陷，但已经形成了一套相对固定的流程。要弥补现有共注意力机制的不足，需要对模型结构进行创新地设计。
解决以上问题及缺陷的意义为：上述两个问题，着眼于遥感影像变化检测领域的模型泛化性能与检测效果的讨论。这两个问题的解决，会使得模型在保证时序鲁棒性的基础下，稳步提升检测效果。
发明内容
针对现有技术存在的问题，本发明提出一种基于共注意力机制的时序鲁棒遥感影像变化检测方法，所述方法包括以下步骤：
第(1)步：定义模型对称度的概念，具体计算公式如下：
Figure BDA0002748932930000021
其中，S代表模型中对称的中间输出总量，N代表模型中所有中间输出总量。
第(2)步：定义一种图像增广操作。具体为，在模型训练阶段，以50％的概率，随机打乱影像输入时序。
第(3)步：通过调整模型的模型对称度来优化模型结构。具体为，修改模型的中间层得到模型对称度从0％到100％的一系列模型，再配合第(2)步中的增广操作对模型进行训练，选出检测效果与时序鲁棒性最优的模型。
第(4)步：对第(3)步的最优模型部署双通道-孪生结构，如图4所示。图4中虚线框部分展示了该结构的示意图。
第(5)步：在第(4)步完成的模型基础上，部署共注意力模块，如图6所示。部署该模块后，模型整体结构如图8所示(其中，Co-Attention代表共注意力模块，2-ch SiameseInput代表双通道-孪生结构)。
第(6)步：对第(5)步得出的模型，配合第(2)步中的增广操作进行训练，得到最终的模型输出结果。
需要进一步说明的是，本发明所定义的模型对称度的概念能将一个基础模型拓展为一系列以供模型的调优与选择。本发明所提出的图像增广操作，在模型训练阶段把时序影响纳入考虑，能减少时序在模型训练过程中对模型的影响。
上述双通道-孪生结构加入考虑了时序因素的同时保持了模型的高度对称性，能有效增强模型的时序鲁棒性，其具体步骤为：
第(1)步：将输入影像按照时序关系，在影像的颜色通道维度上进行拼接。
第(2)步：将输入影像按照逆时序关系，在影像的颜色通道维度上进行拼接。
第(3)步：将第(1)步与第(2)步得到的两组影像送入孪生结构进行后续的处理。
上述共注意力模块，是基于双通道-孪生结构设计的。与传统共注意力机制不同之处在于，传统注意力机制的每一组输入仅包含一个时相的影像信息；而本发明所设计的注意力机制的每一组输入都包含了所有时相的影像信息，且不同组输入呈现出不同的时序关系。这一点避免了相关性矩阵的计算，大大简化了计算量，使得该结构能在模型中不同特征尺度上部署，如图8所示(其中，Co-attention表示共注意力模块)。本结构具体实现步骤为：
第(1)步：将不同组的特征输入分别送入同一个单图注意力机制CBAM模块进行处理。
第(2)步：将第(1)步处理得到的结果分别作用于第(1)步的输入，进行特征的权重更新。
第(3)步：将第(1)步的输入与第(2)步的输出结果以求和的方式进行特征融合。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明针对变化检测中的两个问题提出了相应的解决办法。其一是针对模型时序鲁棒性差的问题提出以模型对称度调优，在模型训练时部署随机交换影像时序的增广操作和双通道-孪生结构。其二是针对模型相关性提取效果差的问题提出基于双通道-孪生结构的共注意力机制。
附图说明
图1是本发明提供的基于共注意力机制的时序鲁棒遥感影像变化检测方法流程图。
图2中(a),(b)和(c)三个子图是本发明提供的现有的三种主流的遥感影像变化检测神经网络模型架构示意图。
图3(a)和图3(b)是本发明提供的某地不同时期遥感影像示意图。
图3(c)是本发明提供的某地实际的遥感影像变化结果，其中白色所覆盖区域为变化区域。
图3(d)是本发明提供的现有技术以影像时序输入的检测结果示意图。
图3(e)是本发明提供的现有技术以影像逆时序输入的检测结果示意图。
图4是本发明提供的新型网络模型架构示意图，其中虚线框中所表示的是双通道-孪生结构。
图5是本发明提供的双通道-孪生结构流程示意图。
图6是本发明提供的基于双通道-孪生结构的共注意力模块架构示意图。
图7是本发明提供的基于双通道-孪生结构的共注意力模块流程示意图。
图8是本发明提供的神经网络模型整体架构示意图。
图9(a)是本发明实施例提供的模型对称度(MSD)与F1指标不同时序差距(AD)的关系曲线。
图9(b)是本发明实施例提供的模型对称度(MSD)与F1指标(F1)的关系曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供的基于共注意力机制的时序鲁棒遥感影像变化检测方法包括以下步骤：
S101：定义模型对称的概念；
S102：定义随机交换输入顺序的图像增广操作；
S103：通过调整模型对称度，配合图像增广操作，对模型进行调优；
S104：部署双通道-孪生结构；
S105：部署基于双通道-孪生结构的共注意力机制；
S106：配合图像增广操作对模型进行二次训练与调优，得到模型结果。
本发明研究的问题是遥感影像变化检测的课题，旨在通过模型算法的处理，比较同一地点不同时间的两组或多组遥感影像的输入，将变化的区域输出到影像中。下面结合实施例对本发明的技术方案作进一步描述。
本发明选择了一个公开的OSCD数据集作为实验材料。该数据集共包含24组不同城市两时期的遥感影像以及变化影像，其中14组为训练集以供模型训练，另10组为测试集以供模型效果评估。
首先，本发明选择了一个在OSCD上表现效果良好的神经网络模型Fres，并利用模型对称度的概念，修改模型中的编码块及跳跃连接方式，以拓展出不同模型对称度的子模型，分别为F-4d，F-3d1c,F-2d2c,F-1d3c,F-4c,F-1e,F-2e,F-3e.对这些子模型进行训练并测试，测试结果见表1.
Figure BDA0002748932930000041
表1不同模型对称度的模型的变化检测效果
其中，测试中所包含的指标为准确率、精准率、召回率和F1.精准率表示模型预测变化正确部分占预测为变化的部分的比例。召回率表示模型预测变化正确的部分占真实遥感变化部分的比例。F1指标为准确率和召回率的调和平均数。对于每个指标，本发明不仅考虑了影像时序输入时的情况(→列)，也考虑了逆时序输入时的情况(←列)。在此四个指标中，以F1指标作为主导指标，本发明额外计算了时序输入情况与逆时序输入情况的绝对值差距(AD列)以表征不同模型受影像输入时序影响的程度。具体为，差距越大说明受影响程度越严重。对于每个模型，根据模型对称度的定义式，本发明分别统计了模型的中间输出总量(N＝276480)，模型的对称中间输出总量(S列)，并计算了模型对称度(MSD列)。表中粗体表示的数据，为同一列中，模型最优的指标。
之后，本发明重复试验，并加入之前提及的随机交换输入顺序的影像增广操作，得到如表2所示的结果。
Figure BDA0002748932930000042
表2加入随机交换输入顺序的重复试验结果
根据表1和表2的结果，图9(a)和(b)分别绘制了MSD与AD，MSD与F1的关系曲线。绘制过程中，对于每个模型的F1指标而言，所选择的是→列和←列较小的数据。
从图7的结果可以分析得出，随着模型对称度的降低，模型受输入时序影响愈来愈严重。但在部署了随机交换图像输入时序的增广操作后(图中虚线所代表的曲线)，这种影响将被大大降低。另一方面，从一个模型对称度为100％的模型出发，适当降低模型对称度，可以在保证模型时序鲁棒性的前提下，略微提升模型效果。综合时序鲁棒性与模型效果两点来考虑，Fres的子模型中，F-2d2c为最优模型。
在F-2d2c模型的基础上，本发明依次添加双通道-孪生结构以及共注意力机制，并测试模型效果，结果见表3.需要说明的一点是，所添加的两个模型都是对称结构且对模型对称度的影响微小，可不纳入模型对称度计算的考虑。为了方便起见表3中将不再进行相关计算以及逆时序输入的结果比较。
模型 准确率 精准率 召回率 F1
F-2d2c 96.09 63.02 58.16 60.62
+2SI 96.12 63.13 59.82 61.43
+CoA 95.89 58.30 71.96 64.42
表3累加两个模块去测试效果
表中，第三行(+2SI)为累加双通道-孪生结构的结果，第四行(+CoA)为累加共注意力模块的结果。从表3可分析得出，本发明所设计的两个模块的累加能使模型效果稳步提升。
最后本发明比较了模型和其他模型在OSCD数据集上的效果(见表4)。从表4分析得知，以本发明所述的方法构造模型的模型F-2d2c+2SI+CoA相比于现有模型在各种指标上都有着绝对的优势。
模型 准确率 精准率 召回率 F1
CDNet 95.15 52.97 55.77 54.33
FCN-PP 94.97 51.31 53.23 52.25
FC-Siam-conc 93.68 42.39 65.15 51.36
FC-Siam-diff 95.68 57.84 57.99 57.92
Fres 95.64 54.93 66.48 60.15
F-2d2c+2SI+CoA 95.89 58.30 71.96 64.42
表4模型和其他模型的效果比较
实验结果表明，从一个100％模型对称度的模型出发，适当降低模型对称度，并且配合随机交换输入时序的增广操作，再部署双通道-孪生结构以及基于此结构的共注意力模块，模型可以很好的规避影像输入时序带来的影响，同时稳步提升变化检测效果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于共注意力机制的时序鲁棒遥感影像变化检测方法，其特征在于，所述基于共注意力机制的时序鲁棒遥感影像变化检测方法包括：
第(1)步：定义模型对称度的概念，具体计算公式如下：
Figure FDA0003617731780000011
其中，S代表模型中对称的中间输出总量，N代表模型中所有中间输出总量；
第(2)步：定义一种图像增广操作；具体为，在模型训练阶段，以50％的概率，随机打乱影像输入时序；
第(3)步：通过调整模型的模型对称度来优化模型结构；具体为，修改模型的中间层得到模型对称度从0％到100％的一系列模型，再配合第(2)步中的增广操作对模型进行训练，选出检测效果与时序鲁棒性最优的模型；
第(4)步：对第(3)步的最优模型部署双通道-孪生结构；
第(5)步：在第(4)步完成的模型基础上，部署共注意力模块；
第(6)步：对第(5)步得出的模型，配合第(2)步中的增广操作进行训练，得到最终的模型输出结果；
双通道-孪生结构具体步骤为：
第(1)步：将输入影像按照时序关系，在影像的颜色通道维度上进行拼接；
第(2)步：将输入影像按照逆时序关系，在影像的颜色通道维度上进行拼接；
第(3)步：将第(1)步与第(2)步得到的两组影像送入孪生结构进行后续的处理；
共注意力模块，是基于双通道-孪生结构设计，具体实现步骤为：
第(1)步：将不同组的特征输入分别送入同一个单图注意力机制CBAM模块进行处理；
第(2)步：将第(1)步处理得到的结果分别作用于第(1)步的输入，进行特征的权重更新；
第(3)步：将第(1)步的输入与第(2)步的输出结果以求和的方式进行特征融合。
2.如权利要求1所述的基于共注意力机制的时序鲁棒遥感影像变化检测方法，其特征在于，所述基于共注意力机制的时序鲁棒遥感影像变化检测方法还包括：在神经网络训练时候，做随机的图片顺序交换以达到数据增广。
3.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～2任意一项所述基于共注意力机制的时序鲁棒遥感影像变化检测方法的步骤。
4.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～2任意一项所述基于共注意力机制的时序鲁棒遥感影像变化检测方法的步骤。
5.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～2任意一项所述的基于共注意力机制的时序鲁棒遥感影像变化检测方法。
6.一种遥感影像变化检测系统，其特征在于，所述遥感影像变化检测系统包括：双通道-孪生输入模块、共注意力模块；实施权利要求1～2任意一项所述的基于共注意力机制的时序鲁棒遥感影像变化检测方法的步骤。
7.一种遥感影像变化检测终端，其特征在于，所述遥感影像变化检测终端意义实现权利要求1～2任意一项所述的基于共注意力机制的时序鲁棒遥感影像变化检测方法。
CN202011176820.8A 2020-10-29 2020-10-29 基于共注意力机制的时序鲁棒遥感影像变化检测方法 Active CN112417984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011176820.8A CN112417984B (zh) 2020-10-29 2020-10-29 基于共注意力机制的时序鲁棒遥感影像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011176820.8A CN112417984B (zh) 2020-10-29 2020-10-29 基于共注意力机制的时序鲁棒遥感影像变化检测方法

Publications (2)

Publication Number Publication Date
CN112417984A CN112417984A (zh) 2021-02-26
CN112417984B true CN112417984B (zh) 2022-07-05

Family

ID=74841733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011176820.8A Active CN112417984B (zh) 2020-10-29 2020-10-29 基于共注意力机制的时序鲁棒遥感影像变化检测方法

Country Status (1)

Country Link
CN (1) CN112417984B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344971B (zh) * 2021-05-21 2023-03-28 河南科技大学 一种融合卡尔曼滤波的孪生红外目标跟踪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766942A (zh) * 2019-01-07 2019-05-17 西南交通大学 一种基于注意力神经网络的小样本学习图像识别方法
CN111274892A (zh) * 2020-01-14 2020-06-12 北京科技大学 一种鲁棒的遥感影像变化检测方法及系统
CN111291622A (zh) * 2020-01-16 2020-06-16 武汉汉达瑞科技有限公司 一种遥感影像中建筑物变化检测的方法及装置
CN111539316A (zh) * 2020-04-22 2020-08-14 中南大学 基于双注意力孪生网络的高分遥感影像变化检测方法
CN111640159A (zh) * 2020-05-11 2020-09-08 武汉大学 一种基于孪生卷积神经网络的遥感影像变化检测方法
WO2020186703A1 (en) * 2019-03-20 2020-09-24 Huawei Technologies Co., Ltd. Convolutional neural network-based image processing method and image processing apparatus

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766942A (zh) * 2019-01-07 2019-05-17 西南交通大学 一种基于注意力神经网络的小样本学习图像识别方法
WO2020186703A1 (en) * 2019-03-20 2020-09-24 Huawei Technologies Co., Ltd. Convolutional neural network-based image processing method and image processing apparatus
CN111274892A (zh) * 2020-01-14 2020-06-12 北京科技大学 一种鲁棒的遥感影像变化检测方法及系统
CN111291622A (zh) * 2020-01-16 2020-06-16 武汉汉达瑞科技有限公司 一种遥感影像中建筑物变化检测的方法及装置
CN111539316A (zh) * 2020-04-22 2020-08-14 中南大学 基于双注意力孪生网络的高分遥感影像变化检测方法
CN111640159A (zh) * 2020-05-11 2020-09-08 武汉大学 一种基于孪生卷积神经网络的遥感影像变化检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A comprehensive analysis of twin support vector machines in remote sensing image classification;G. Taşskın等;《2015 23nd Signal Processing and Communications Applications Conference (SIU)》;20150622;第2427 - 2429页 *
Constrained optical flow for aerial image change detection;Nicolas Bourdis等;《2011 IEEE International Geoscience and Remote Sensing Symposium》;20110920;第4176 - 4179页 *
基于深度学习的遥感影像变化检测方法研究;王庆;《中国博士学位论文全文数据库 (基础科学辑)》;20200615;第A008-32页 *

Also Published As

Publication number Publication date
CN112417984A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN110705457B (zh) 一种遥感影像建筑物变化检测方法
CN111539296B (zh) 一种基于遥感影像变化检测的违章建筑识别方法及系统
Li et al. Exploring spatial-temporal change and gravity center movement of construction land in the Chang-Zhu-Tan urban agglomeration
CN114841244B (zh) 一种基于鲁棒采样和混合注意力金字塔的目标检测方法
CN105787937A (zh) 一种基于osm的高分辨遥感影像道路变化检测方法
CN103559724A (zh) 一种高粘连度细胞环境下的多细胞同步跟踪方法
Yao et al. Classifying land-use patterns by integrating time-series electricity data and high-spatial resolution remote sensing imagery
CN111554118B (zh) 一种公交车到站时间的动态预测方法及系统
CN112417984B (zh) 基于共注意力机制的时序鲁棒遥感影像变化检测方法
CN105024886B (zh) 一种基于用户元数据的快速Web服务QoS预测方法
CN115527150A (zh) 一种结合卷积注意力模块的双分支视频异常检测方法
WO2018045529A1 (zh) 一种网络站址规划方法及装置
CN115601661A (zh) 一种用于城市动态监测的建筑物变化检测方法
CN114998744B (zh) 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置
CN113780345A (zh) 面向中小企业的基于张量注意力的小样本分类方法和系统
CN115223017B (zh) 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法
CN117236674A (zh) 城市河网水动力精准调控和水环境提升方法及系统
CN116596151A (zh) 基于时空图注意力的交通流量预测方法及计算设备
CN115223009A (zh) 基于改进型YOLOv5的小目标检测方法及装置
Xu et al. Hybrid attention-aware transformer network collaborative multiscale feature alignment for building change detection
Kuldasheva et al. Do tourism and renewable energy influence CO2 emissions in tourism-dependent countries?
CN117152823A (zh) 一种基于动态空洞卷积金字塔注意力的多任务年龄估计方法
CN106897735A (zh) 一种快速移动目标的跟踪方法及装置
CN116342542A (zh) 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法
Li et al. MGC-GAN: Multi-graph convolutional generative adversarial networks for accurate citywide traffic flow prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant