关键词:
遥感影像
变化检测
局部特征
特征交互
轻量级网络
摘要:
目的利用深度学习开展变化检测是遥感智能解译热点研究方向之一。针对基于Transformer变化检测模型结构复杂、参数过多、训练耗时的问题,设计了一种融合特征交互和融合的轻量级变化检测网络(feature interaction and fusion lightweight network,FIFLNet)。方法解码器中采用EfficientNet作为特征提取网络,其能利用模型的放缩(model scaling)能力来扩大模型的感受野。然后通过设计通道、像素交互模块(spatial and channel interact block)和浅层跳跃连接(low-level skip-connection)来实现浅层双时相的细节特征交互和上采样阶段的传递,以此增加模型对局部特征的判别精度。此外,利用特征融合分组卷积模块(feature fusion and groups convolution block,FFGCB)对双时相数据进行降维融合,降低了模型计算量。最后,设计了融合上采样模块(fusion upsampling block,FUB)对局部特征与全局特征进行融合还原,同时利用局部特征的细节、纹理来补偿全局特征细节的缺失。结果本文方法在两个遥感影像数据集LEVIR-CD(landearth view image retrieval building change detection dataset)和SYSU-CD(Sun Yat-sen University change detection dataset)上与13种SOTA(state-of-the-art)方法进行比较。实验结果表明,本文方法在变化检测任务中展现出显著优势。在定量评估方面,本文方法在LEVIR-CD和SYSU-CD数据集上的F1值分别达到91.51%和82.19%,较现有最优方法分别提升0.43%和1.58%。同时,模型计算效率优异,仅需1.66 GFLOPs的运算量和0.56 M的参数规模,显著低于所有对比方法。在定性分析方面,本文方法展现出更精确的检测区域定位、更低的漏检率,并能够保留更丰富的细节特征。结论本文提出的轻量级变化检测网络FIFLNet以较少的参数量和每秒浮点运算量获得了优越的性能,改善了小目标漏检、边界误检的情况,能够获得高质量的变化检测结果。