文章摘要信息

[an error occurred while processing this directive]

世界地质 2023, 42(1) 159-167 DOI: ISSN: 1004-5589 CN: 22-1111/P

本期目录 | 下期目录 | 过刊浏览 | 高级检索 [打印本页] [关闭]

基础地质

	扩展功能

	本文信息
	Supporting info
	PDF(1003KB)
	[HTML全文]
	参考文献[PDF]
	参考文献
	服务与反馈
	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	引用本文
	Email Alert
	文章反馈
	浏览反馈信息
	本文关键词相关文章

	遥感影像
	变化检测
	深度学习
	U--Net
	本文作者相关文章
	周豫阳
	王明常
	王凤艳
	杨盈
	刘子维
	PubMed
	Article by Zhou Y
	Article by Wang M
	Article by Wang F
	Article by Yang Y
	Article by Liu Z

改进 U-- Net 的高分辨率遥感影像建筑区变化检测方法

周豫阳1 ，王明常1，2 ，王凤艳1 ，杨盈3 ，刘子维1

1. 吉林大学地球探测科学与技术学院，长春 130026; 2. 自然资源部城市国土资源监测与仿真重点实验室，广东深圳 518000;
3. 深圳市规划和自然资源数据管理中心，广东深圳 518034

摘要：针对城市建筑区域变化检测问题，提出了一种改进的 U--Net 方法进行高分辨率遥感影像建筑区变化检测。针对建筑物高分辨率遥感影像特征，在原 U--Net 网络基础上，引入空洞卷积和空间金字塔池化结构以扩大模型感受野，实现对建筑区域的变化检测。通过与变化向量分析法 ( CVA) 、主成分分析法 ( PCA) 及 U--Net 系列模型的对比实验，表明所提方法具有最高精度，相较原模型 F1 值提高了 10. 98% ，IoU 分数提高了 13. 50% ，并显著优化了变化检测效果。研究表明，改进的 U--Net 在处理建筑区域变化检测问题上的表现优于常规方法。

关键词：遥感影像变化检测深度学习 U--Net

Detection method of high-resolution remote sensing building area change based on improved U--Net

ZHOU Yuyang1 ，WANG Mingchang1，2 ，WANG Fengyan1 ，YANG Ying3 ，LIU Ziwei1

1. College of Geo-exploration Science and Technology，Jilin University，Changchun 130026，China;
2. Key Laboratory of Urban Land Ｒesources Monitoring and Simulation，Ministry of Natural Ｒesources， Shenzhen 518000，Guangdong，China; 3. Shenzhen Data Management Center of Planning and Natural Ｒesource，Shenzhen 518034，Guangdong，China

Abstract: Aiming at the problem of urban building area change detection，an improved U--Net method is proposed to detect high-resolution remote sensing building area change． According to the characteristics of buildings in high-resolution remote sensing images，and the original U--Net network，atrous convolution and space pyramid pool structures are introduced，which expands the receptive field of the model to detect changes in the building area． In comparison to the change vector analysis ( CVA) ，principal component analysis ( PCA) and U--Net series models， the proposed method achieves the highest accuracy． Compared with the original model，the F1 score increased by 10. 98% ，IoU score increased by 13. 50% ，and the change detection effect significantly improved． The research shows that the improved U--Net outperforms the conventional method in dealing with the problem of building area change detection．

Keywords: remote sensing image change detection deep learning U--Net

收稿日期 修回日期 网络版发布日期

DOI:

基金项目:

通讯作者:

作者简介:

作者Email:

参考文献：

本刊中的类似文章

1．邱明明, 赵艳秋, 周占江, 赵霞玉, 郭富杭. 坡度变化对原状黄土雨滴溅蚀特征的影响[J]. 世界地质, 2023,42(2): 327-333

2．张新荣, 霍元勃,谢玉祥, 高晓岩, 平帅飞,张世锋. 依兰盆地始新世沉积碎屑约束的古气候演化[J]. 世界地质, 2023,42(2): 284-296

3．赵健,方石,张新荣,李军辉, 付秀丽,白月.松辽盆地中央坳陷区晚白垩世嫩江组层序结构与沉降速率的耦合分析 [J]. 世界地质, 2023,42(2): 245-255