基于语义分割的遥感影像建筑变化检测

遥感影像变化检测是利用多时相影像确定一定时间内地物或现象的变化，提供地物空间变化的定性与定量信息。传统遥感影像变化检测方法主要基于地面纹理及空间特征的方法，存在着难以精确识别遥感影像中新增建筑物的问题，为此该文提出了一种基于UNet网络的遥感影像建筑物变化检测方法。首先，将轻量级高效通道注意力机制网络（efficient channel attention network, ECANet），注入到原UNet网络模型，调整并优化网络结构，提升影像分割的准确度。然后改进SENet网络参数，提高遥感影像中的建筑物变化检测的精度。该文在高分辨率数据集LIVER-CD上进行实验，结果表明，所提方法的语义分割准确度达到99.03%，建筑变化检测准确率达到98.62%。相比于其他方法，该方法增强了影像的有效特征，提升了遥感影像中地面建筑物的检测精度。     

基于MFANet和上下文特征融合的遥感影像目标检测

针对遥感影像背景复杂、目标尺度变化较大、类间相似性较高等特点而导致目标检测效果欠佳的问题,提出一种基于Faster R-CNN的有效且鲁棒的遥感影像目标检测方法.首先,引入可变形卷积、调制机制和空洞卷积,构造调制的特征自适应网络,提取更准确、更完整的目标信息.其次,构造上下文特征金字塔网络,提取更丰富且更具判别性的特征...     

高分辨率光学与SAR影像在建筑物信息提取中的应用

利用高分辨率航天遥感数据对建筑物实现三维重建,具有重要的理论与实用价值.光学与SAR图像是应用较为广泛的两种遥感数据,高分辨率是当代遥感发展的一个重要趋势. 归纳了建筑物检测与高程估算的研究现状,分析了建筑物在高分辨率SAR影像中的物理散射特性,并进行模拟仿真. 以采用的数据源为序,分别介绍了建筑物检测与高程估算的研究现状及存在的问题. 对基于高分辨率光学与SAR影像的建筑物三维重建进行了展望.     

高分遥感影像不同形状建筑物半自动提取与规则化

现有的高空间分辨率遥感影像交互式建筑物提取方法需要用户在建筑物上勾画出与建筑物大小和形状相近的线，且大多方法只能提取直角建筑物。为降低交互要求并实现不同形状建筑物的精确提取，该文首先在用户少量交互的基础上采用区域生长、高斯混合模型、CannyLines线段检测算法以及基于多星形约束的最大流/最小割分割模型获得建筑物图斑，然后分别针对直角建筑物和非直角建筑物图斑进行规则化，得到与实际建筑物形状一致的提取结果。实验表明，该方法交互简单且建筑物提取精度F1值可达到0.9，具有较强的鲁棒性。     

高分遥感影像不同形状建筑物半自动提取与规则化

现有的高空间分辨率遥感影像交互式建筑物提取方法需要用户在建筑物上勾画出与建筑物大小和形状相近的线，且大多方法只能提取直角建筑物。为降低交互要求并实现不同形状建筑物的精确提取，该文首先在用户少量交互的基础上采用区域生长、高斯混合模型、CannyLines线段检测算法以及基于多星形约束的最大流/最小割分割模型获得建筑物图斑，然后分别针对直角建筑物和非直角建筑物图斑进行规则化，得到与实际建筑物形状一致的提取结果。实验表明，该方法交互简单且建筑物提取精度F₁值可达到0.9，具有较强的鲁棒性。     

注意力引导的三维卷积网络用于遥感场景变化检测

场景级变化检测策略可以容忍高分遥感影像的大量噪声，进而从语义层级更准确地描述遥感图像在前后时相的变化，为高分辨率影像变化检测提供了可能。本文提出了一种注意力引导的三维卷积神经网络用于高分遥感影像场景变化检测的方法。首先构建一个在AlexNet基础上进行简化的三维卷积网络，然后加入一个语义注意力模块来进一步提取地表覆盖变化显著的候选判别区域；最后输入分类层得到分类结果，整个框架以端对端、可训练的方式进行组织，直接由双时相场景切片通过卷积网络得到变化检测结果。为评估场景级变化检测方法性能，本文制作了一个语义级高分遥感影像场景变化检测数据集，在该数据集上的实验结果显示本文方法变化检测的准确率高于相关方法，验证了方法的有效性，初步展示了基于深度学习的场景级遥感变化检测的发展前景。     

基于双层回归森林模型的头影测量图像结构特征点自动定位

为了实现X射线头影测量图像中结构特征点的自动定位,提出一种基于双层回归森林模型的头影测量图像结构特征点自动定位方法.首先从图像中提取外观特征训练第1层回归森林模型,通过该模型生成针对当前特征点位置的偏移距离图;然后从偏移距离图中提取上下文特征,并结合外观特征训练第2层回归森林模型;接着将双层回归森林模型用于待检测的X射线头影测量图像,预测出图像中每个像素关于目标特征点的偏移距离;最后根据回归投票方法求得结构特征点位置.实验结果表明,基于双层回归森林模型的自动定位方法能较准确地获得头影测量图像中结构特征点的位置.     

面向小样本抽取式问答的多标签语义校准方法

小样本抽取式问答任务旨在利用文章给定的上下文片段,抽取出真实的答案片段。其基线模型采用的方法只针对跨度进行学习,缺乏对全局语义信息的利用,在含有多组不同重复跨度的实例中存在着理解偏差等问题。为了解决上述问题,该文利用不同层级的语义提出了一种面向小样本抽取式问答任务的多标签语义校准方法。采用包含全局语义信息的头标签和基线模型中的特殊字符构成多标签进行语义融合,并利用语义融合门来控制全局信息流的引入,将全局语义信息融合到特殊字符的语义信息中。然后,利用语义筛选门对新融入的全局语义信息和该特殊字符的原有语义信息进行保留与更替,实现对标签偏差语义的校准。在8个小样本抽取式问答数据集中的56组实验结果表明：该方法在评价指标F1值上均明显优于基线模型,证明了所提方法的有效性和先进性。     

一种基于自适应高提升滤波的遥感影像的阴影处理方法

利用遥感影像的颜色特性,基于亮度的阈值检测方法,将阴影区和光照区进行分割;通过高提升滤波方法对阴影区域进行补偿处理.实验证明,对分割出的遥感影像的阴影区域进行补偿处理后,区域内形状信息更加明显.经如上方法预处理后,明显提高了遥感图像超块分割的精确度,进而提高目标物体提取的精度.     

结合transformer多尺度实例交互的稀疏集目标检测

为改进稀疏集目标检测方法存在的特征图缺乏空间细节信息、目标特征没有做到全局上下文实例交互、全局语义信息没有得到充分学习等问题，设计了一种结合自适应特征增强和实例特征交互的稀疏集目标检测算法。自适应特征增强模块在特征提取过程中利用不同尺度的池化和卷积来丰富高级语义信息，减小低级语义信息背景噪声的干扰，降低目标错检率和漏检率。实例特征交互模块在边界框回归设计中结合transformer的多层注意力，并融合通道注意力和动态卷积网络对建议框的通道信息进行增强，改善了目标的边缘信息，提高了网络的实例特征交互效率。最后在COCO2017数据集与原始网络进行实验对比，平均精度提升了4.2%，其中在大目标上提升了4.6%，在PASCAL VOC数据集上提升了2.7%。