成果推荐 | 联合差异聚合网络和类概率融合策略的遥感影像场景多类变化检测方法
文摘
科学
2023-12-07 18:30
江苏
题目：Scene Change Detection by Differential Aggregation Network and Class Probability-Based Fusion Strategy
期刊：IEEE Transactions on Geoscience and Remote Sensing![]()
与遥感像素级和对象级变化检测相比，场景级变化检测识别场景语义层次上的变化，能够提供对地表变化更高级的理解。近日，南京大学杜培军教授课题组在遥感领域期刊IEEE Transactions on Geoscience and Remote Sensing上发表论文Scene Change Detection by Differential Aggregation Network and Class Probability-Based Fusion Strategy。该研究提出了一种联合差异聚合网络和类概率融合策略的场景多类变化检测方法，充分提取了场景深度特征，并提高了最终分类和变化检测结果的一致性，实现了场景多类变化的精准识别。
在深度学习多类场景变化检测研究中，同时输出两期影像分类结果和二值变化检测结果的三支网络是主流方法。然而目前这类方法仍然存在着变化特征挖掘不充分、一维特征代表性不足、预测的场景分类结果和二值变化检测结果易存在逻辑矛盾等问题（如预测的两期分类结果类别不一致，但二值变化检测结果是不变化）。为了解决上述问题，提出了一种联合差异聚合网络和类概率融合策略的多类场景变化检测。在公开的武汉场景变化检测数据集和新构建的南京数据集上进行了方法验证，结果表明提出方法能够获得更高的分类和变化检测精度。提出方法主要包括了三个步骤: 1）使用训练样本训练差异聚合网络。2）将测试集输入到训练好的网络中，产生两个场景类概率向量和一个变化类概率向量。3）使用类概率融合策略生成最终的场景多类变化检测结果。
![]()
在公开的武汉场景变化检测数据集和新构建的南京数据集上进行了方法验证，结果表明提出方法能够获得更高的分类和变化检测精度。
![]()
图4 不同方法在武汉场景变化检测数据集的结果
表1 不同方法在武汉场景变化检测数据集的变化检测精度
![]()
![]()
表2 不同方法在南京场景变化检测数据集的变化检测精度
![]()
该研究提出了一种联合差异聚合网络和类概率融合策略的场景多类变化检测方法，实现了场景多类变化的精准识别。差异聚合网络充分提取了场景深度特征，类概率融合策略提高了最终分类和变化检测结果的逻辑一致性。在两个场景变化检测数据集上的结果表明，所提出方法的性能优于常用的场景分类和变化检测方法。
论文信息：Fang Hong, Guo Shanchuan, Zhang Peng, Zhang Wei, Wang Xin, Liu Sicong, Du Peijun*. Scene Change Detection by Differential Aggregation Network and Class Probability-Based Fusion Strategy. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61, Art no. 5406918.
全文链接：https://ieeexplore.ieee.org/document/10258432
