文献类型：期刊文章

作　　者：黄梅[1,2] 杨文忠[1,2] 汪传建[3] 魏文钰[1,2]

HUANG Mei;YANG Wen-zhong;WANG Chuan-jian;WEI Wen-yu(College of Information Science and Engineering,Xinjiang University,Urumqi 830046,China;College of Laboratory of Multi-Language Information Technology of Xinjiang,Urumqi 830046,China;College of Internet,Anhui University,Hefei 230039,China)

机构地区：[1]新疆大学信息科学与工程学院,新疆乌鲁木齐830046 [2]新疆多语种信息技术实验室,新疆乌鲁木齐830046 [3]安徽大学互联网学院,安徽合肥230039

出　　处：《东北师大学报（自然科学版）》

基　　金：国家重点研发项目(2017YFB0504203);国家自然科学基金资助项目(U1603115);国家重点研发计划项目(2017YFC0820702-3);国家工程实验室大数据对公共安全风险的感知和控制项目(XJ201810101);四川省科技计划项目(18XHZ0054)。

年　　份：2022

卷　　号：54

期　　号：2

起止页码：61-67

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、JST、RCCSE、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：针对近些年耕地流失严重、现有的遥感图像变化检测方法准确率不高、抗噪能力差的问题,提出一种基于U-net改进的网络模型SE-DRUnet.该模型对遥感图像的像素分类进行了优化,是一种端到端的变化检测方法.采用VGGNet思想来增大感受野,提高抗噪能力,并且引入SE模块和残差结构GO来提升性能.首先对图像进行预处理,然后人工标注变化区域,并对训练集数据做数据增强后放入SE-DRUnet模型中训练,最后对模型预测结果图做后处理来获取更好检测效果.所提出的网络模型检测准确率更高、抗噪能力更强,该方法的有效性和可靠性已在Landsat8数据集上得到了验证.实验结果表明,该模型在变化检测任务上的准确率、精确率、召回率和F1值分别为95.61%,92.33%,86.62%,89.39%,优于其他模型.

关 键 词：遥感 深度学习  变化检测 耕地

分 类 号：TP391] P317.4[计算机类]