城市遥感深度学习模型的变化检测方法

深度学习模型具有强大的学习表现能力和先进的性能，已经被广泛应用于计算机视觉、语音识别和信息检索等多个领域。随着遥感数据爆炸式增长时代的到来，深度学习模型作为挖掘遥感大数据信息的有效手段，正在被逐步应用于不同类型的遥感任务，基于深度学习模型的遥感影像变化检测研究得到了如火如荼的发展。

与传统的机器学习方法相比，深度学习模型可以高效、自动地提取复杂对象中不同层次的抽象特征，能够大幅度地提高模式识别的精度。在变化检测研究领域，深度学习模型可以从同源或异源的多时相遥感影像之中有效地提取空间-光谱一体化特征，所提取的抽象特征对噪声有着较强的鲁棒性，可用于建立多时相遥感影像中地物的非线性相关性特征，实现变化检测结果的准确获取。

早期，以堆叠自编码器(Stacked Auto-Encoders，SAE)、卷积自编码器(Convolutional Auto-Encoders，CAE)、深度置信网络(Deep Belief Networks，DBN)为代表的深度学习模型在变化检测研究中得到了大量的应用。随着深度学习算法的不断优化与发展，卷积神经网络(CNN)、循环神经网络(Recurrent Neural Networks，RNN)和深度神经网络(Deep Neural Networks，DNN)及以这些网络为基础框架进一步改善得到的Vgg 16、PCANet、FCN、SegNet、UNet、UNet＋＋等深度学习网络模型，为遥感影像变化检测研究的发展注入了新的活力。

(www.xing528.com)

图14-16　分类后比较法变化检测

现阶段，多数应用于遥感影像变化检测研究的深度学习模型，其训练过程均是基于反向传播算法的监督训练。当缺乏足够数量的标注样本时，深度学习模型所提取特征的描述能力可能会受到限制，进而对变化检测结果的准确性产生影响。因此，如何高效获取训练样本并提取学习有效特征仍是一个值得关注的问题。而当标注样本数量过少或完全无标注样本数据时，利用深度学习模型开展弱监督或无监督条件下的遥感影像变化检测研究，减少伪变化发生，提高检测精度，也是未来基于深度学习模型遥感影像变化检测研究的一个主要方向。