[最新发表] 基于分类后验概率空间的孪生Nested-UNet(SNU-PS)变化检测网络

发布日期:2023-10-26 12:57
浏览次数:180
图1
【提要】提出了一种基于分类后验概率空间的孪生Nested-UNet变化检测网络(SNU-PS),该网络通过结合两期地表覆盖分类后验概率信息,降低了对变化检测样本的依赖。

【研究背景】
     深度学习在多时相遥感影像变化检测任务中表现出巨大的潜力。充分的训练样本是深度学习技术能够有效挖掘遥感影像变化特征的重要前提,然而当前有限的公开标注数据集还不能满足实际应用中各种变化类型检测的需求。由于地表覆盖变化通常只占据少部分区域,能够获取的变化样本常常数量很少,且与不变化样本相比存在严重的不平衡问题。因此,如何在小样本与样本不平衡的情况下有效训练变化检测网络是急需突破的难题。


【方法介绍】
     相比变化检测样本,单时相地表覆盖分类样本的获取难度要低得多;在分类样本的支持下,充分训练的地表覆盖分类网络可为变化检测提供重要的先验特征。SNU-PS借鉴CVAPS的思想,将孪生Nested-UNet(Siamese Nested-UNet,SNU)变化检测网络的多光谱影像输入替换为地物分类后验概率影像。相比多任务结构的变化检测网络中分类网络与变化检测网络的特征层融合,以后验概率作为二者的联接点,可以在不增加网络复杂度与训练难度的同时考虑语义信息。在此基础上训练的变化检测网络无需学习多光谱影像中的地物特征,因此有可能减轻变化检测网络的学习压力,降低对变化检测样本的需求。总体技术路线如图1所示。首先,利用语义分割网络HRNet分别对两期遥感影像进行语义分割,得到各种类型地物的分类后验概率;然后将双时相地物分类后验概率输入到SNU变化检测网络中得到最终的变化检测结果。
  
图1 SNU-PS 主要流程图

【实验结果】
       
     在SpaceNet7与HRSCD数据集上,测试了本方法(SNU-PS)在不同训练样本比例下(1%、5%、10%、15%、20%、30%与40%)的变化检测精度,并与其他常用的变化检测方法对比,包括基于HRNet分类结果的PCC(HRNet-PCC)、基于SVM分类结果的PCC(SVM-PCC)、基于HRNet分类后验概率的CVAPS(HRNet-CVAPS)、FC-EF、BIT、PCFN与SNU方法。为避免单次抽样的偶然性,对每一个训练样本数量水平都随机抽样 5 次,总共生成 7×5=35 组实验。

     图2显示不同变化检测算法在SpaceNet7数据集上的精度对比,可以看出SNU-PS在绝大多数样本量水平下都保持最高的变化检测精度与稳定度,特别是在F1、IoU、Kappa指标上相较其他方法具备较大优势;图3显示不同方法(15%训练样本比例)在该数据集上的变化检测结果示例,可以看出相比SNU-PS,其他深度学习方法(FC-EF、BIT、PCFN与SNU)存在更多漏分,而非深度学习方法(HRNet-CVAPS、SVM-PCC和HRNet-PCC)则存在严重错分。
 图2 不同变化/不变化训练样本比例下各变化检测方法在SpaceNet7数据集上的精度对比

 
图3 不同方法在SpaceNet7 数据集上变化检测结果示例(橙框为错分示例;红圈为漏分示例)


       图4显示不同变化检测算法在HRSCD数据集上的精度对比,SNU-PS同样在大多数样本量水平下都保持最高的变化检测精度与稳定度,特别是在训练样本量较少时,SNU-PS相较其他方法的优势更为明显。图5展示了不同变化检测方法(训练样本比例为15%)对于该数据集中主要变化类型“农业用地→人造地表”的检测示例,可以看出其他对比方法比SNU-PS存在更多的错分。

 图4 不同变化/不变化训练样本比例下各变化检测方法在HRSCD数据集上的精度评价结果

 
图5 不同方法在HRSCD 数据集上变化检测结果示例(橙框为错分示例;红圈为漏分示例)





【结论】  
      SNU-PS方法相比几种基准算法取得更为优异的变化检测精度与稳定度,特别在变化检测的训练样本量较少时体现出更为明显的优势。此外,SNU-PS还具有较强的灵活性,在实际应用中可根据目标区域的影像分辨率、地物特点与分类体系,灵活选择更为合适的语义分割网络模型,增强算法在不同应用情形下的稳健性。

       该研究算法源代码参见:https://github.com/Bamboo10th/SNU-PS;
       论文已于近日发表在《遥感学报》:https://www.ygxb.ac.cn/zh/article/doi/10.11834/jrs.20233070/

朱传海, 陈学泓, 陈晋, 等. 基于分类后验概率空间的孪生Nested-UNet(SNU-PS)变化检测网络[J]. 遥感学报, 2023,27(9):2006-2023. DOI:10.11834/jrs.20233070.
ZHU Chuanhai, CHEN Xuehong, CHEN Jin, et al. A siamese Nested-UNet for change detection in posterior probability space (SNU-PS)[J]. National Remote Sensing Bulletin, 2023,27(9):2006-2023. DOI: 10.11834/jrs.20233070.



分享到: