基于双任务约束深度孪生卷积网络模型的遥感影像建筑物变化检测
计算机视觉与模式识别
2019-09-18 v1
摘要
近年来，建筑物变化检测方法通过引入深度学习取得了很大进展，但仍受限于提取特征判别性不足的问题，导致区域不完整与边界不规则。为应对该问题，我们提出一种双任务约束深度孪生卷积网络（DTCDSCN）模型，其包含三个子网络：一个变化检测网络与两个语义分割网络。DTCDSCN可同时完成变化检测与语义分割，有助于学习更具判别性的目标级特征并获得完整的变化检测图。此外，我们引入双注意力模块（DAM）以利用通道与空间位置间的相互依赖关系，从而改善特征表示。我们还改进了focal loss函数以抑制样本不平衡问题。在WHU建筑物数据集上获得的实验结果表明，所提方法对建筑物变化检测有效，并在精度、召回率、F1-score与交并比四项指标上取得了最先进的性能。
引用
@article{arxiv.1909.07726,
title = {Building Change Detection for Remote Sensing Images Using a Dual Task Constrained Deep Siamese Convolutional Network Model},
author = {Yi Liu and Chao Pang and Zongqian Zhan and Xiaomeng Zhang and Xue Yang},
journal= {arXiv preprint arXiv:1909.07726},
year = {2019}
}