[发明专利]一致性损失引导下的建筑物半监督变化检测方法及装置

说明书

本发明提供一种一致性损失引导下的建筑物半监督变化检测方法及装置，包括构建轻量级编码器‑解码器变化检测网络模型，所述轻量级编码器‑解码器变化检测网络模型包括在编码器端设置独立权重的伪孪生编码器，解码器端设置三个并行的解码器，用于特征的尺寸恢复和变化检测结果的精准提取；实现基于标注样本的网络模型优化，包括将有标注的双时相遥感影像输入到轻量级编码器‑解码器网络之中，利用主解码器得到最终的建筑物变化检测结果，两个辅助编码器仅用于协助优化编码器网络参数，提升网络提取深层特征的性能；进行无标注影像样本数据增强；实现基于无标注样本的网络模型优化；网络模型整体优化，根据优化结果进行建筑物变化检测。

技术领域

本发明属于遥感影像信息提取领域，涉及一种一致性损失引导下的高分辨率遥感影像建筑物半监督变化检测方法及装置。

背景技术

空间对地观测技术的不断进步促使遥感数据的光谱分辨率、空间分辨率和时间分辨率不断提高。海量的遥感数据具有着类型丰富、多样化和不确定性强的特点。相比于人工数据采集，遥感数据具有覆盖广、成本低、效率高的优势，已被广泛应用于城市生态环境破坏及地表要素变化检测等研究领域之中。建筑物作为城市内部最基本的构成单元，在城市化进程之中扮演着重要的角色。精准检测建筑物的变化信息可以为城市土地资源管理、违章信息查处及城市可持续发展提供科学的数据参考。

然而针对变化检测任务，遥感技术所面临的难题主要包括：一是数据深层特征提取不充分；二是数据处理模型参数冗余、效率低下；三是标记的变化样本数量有限，模型性能发挥受限。基于深度学习的变化检测方法虽然在一定程度的缓解了传统算法的不足，但其同样依赖于大量的有标注的变化样本。标注样本数量较少时，模型容易陷入过拟合状态，泛化能力较差。此外，相比于传统算法，深度学习网络模型的参数量剧增，导致其在小内存的硬件设备中部署较为困难。

发明内容

针对现有遥感影像信息提取技术存在的不足，本发明的目的是提供一种新的基于残差结构的编码器-解码器轻量级模型，实现一种一致性损失引导下的高分辨率遥感影像建筑物半监督变化检测方案。

本发明技术方案提供一种一致性损失引导下的建筑物半监督变化检测方法，包括以下步骤，

构建轻量级编码器-解码器变化检测网络模型，所述轻量级编码器-解码器变化检测网络模型包括在编码器端设置独立权重的伪孪生编码器，解码器端设置三个并行的解码器，分别记为主解码器、辅助解码器1和辅助解码器2，用于特征的尺寸恢复和变化检测结果的精准提取；

实现基于标注样本的网络模型优化，包括将有标注的双时相遥感影像输入到轻量级编码器-解码器网络之中，利用主解码器得到最终的建筑物变化检测结果，两个辅助编码器仅用于协助优化编码器网络参数，提升网络提取深层特征的性能；

进行无标注影像样本数据增强；

实现基于无标注样本的网络模型优化，包括将无标注的同域样本输入到网络模型之中，结合多解码器的输出一致性及主解码器的置信阈值构建高质量伪标签，伪标签被同时应用于监督未增强和增强后影像对获得的变化检测结果；

网络模型整体优化，根据优化结果进行建筑物变化检测。

而且，所述伪孪生编码器包括两个相同结构的编码器，每个编码器均由四个连续的特征提取模块构成，前三个特征提取模块由两个卷积层和一个用于下采样的最大池化层组成，第四个特征提取模块仅包含两个卷积层。

而且，在编码器的第三、第四个特征提取模块中使用深度可分离卷积，并添加残差结构以优化特征提取效果。

而且，解码器端设置的每个解码器均由四个连续的特征恢复模块构成，前三个特征恢复模块均由一个用于上采样的反卷积层和两个卷积层组成，第四个特征提取模块仅包含两个卷积层，所输出的特征用于得到建筑物变化检测结果。

而且，在第一、第二个特征恢复模块中使用带有残差结构的深度可分离卷积模块。