文献类型：期刊文章

作　　者：张翠军[1,2] 安冉[1,2] 马丽[1,2]

ZHANG Cuijun;AN Ran;MA Li(School of Information Engineering,Hebei GEO University,Shijiazhuang 050031,China;Laboratory of Artificial Intelligence and Machine Learning,Hebei GEO University,Shijiazhuang 050031,China)

机构地区：[1]河北地质大学信息工程学院,石家庄050031 [2]河北地质大学人工智能与机器学习研究室,石家庄050031

出　　处：《计算机工程与应用》

基　　金：河北省高等学校科学技术研究重点项目(ZD2018043,ZD2019134);河北省自然科学基金(F2020403030)。

年　　份：2021

卷　　号：57

期　　号：3

起止页码：239-246

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：提出了一种改进U-Net的遥感图像中建筑物变化检测方法,将变化检测问题转化为像素级二分类问题,利用U-Net模型对图像进行分类,把图像中的每个像素划分为变化类或非变化类,并根据变化类的像素得到建筑物的变化检测结果图。针对U-Net模型进行遥感图像中建筑物变化检测时,在训练中容易出现过拟合的现象,提出用非对称卷积块代替U-Net网络特征提取部分的标准卷积操作,增强卷积核的鲁棒性和网络的中心骨架,防止过拟合;针对变化检测数据集中图像背景复杂、小目标的变化情况容易被漏检的问题,提出在U-Net中引入注意力机制,抑制模型对非变化类像素特征的学习,加强对变化类特征的学习,提取到更适合的特征。实验结果表明,在引入非对称卷积块和注意力机制后,变化检测的F1分数有明显的提升。

关 键 词：建筑物变化检测  U-Net  非对称卷积块  注意力机制  

分 类 号：TP391.41]