通过深度特征提取遥感图像的城市变化检测
1College of Earth Science, China West Normal University, Nanchong, 637000, China. wanghaiying8228@163.com.
Scientific reports
|July 2, 2025
概括
这项研究介绍了BiUnet-Dense,这是使用遥感检测城市变化的一种高效模型. 它通过整合Bi-Unet,密集块和LSTM网络来提高准确性,从而增强环境监测和应急管理.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
- 计算机视觉 计算机视觉
背景情况:
- 城市变化检测对于环境监测和应急管理至关重要.
- 挑战包括差异错误,多种变化类型和不平衡的数据.
- 现有的方法与复杂的城市环境和微妙的变化作斗争.
研究的目的:
- 提出一个高效的深度学习模型,BiUnet-Dense,用于准确的城市变化检测.
- 为了利用双时间遥感图像进行增强的特征提取.
- 为了应对变化检测中的诸如大差异错误和不平衡数据集等挑战.
主要方法:
- 通过整合Bi-Unet,密集区块和长短期记忆 (LSTM) 网络开发了BiUnet-Dense.
- 在U-Net架构中利用双时态图像进行特征比较.
- 采用修改密集连接来减少参数和重复使用功能,以及LSTM用于传输时间信息.
主要成果:
- 在OSCD和CD_Data_GZ数据集上的检测效率取得了显著的改进.
- 与现有方法相比,证明了F1得分和卡帕指标的增强.
- 有效地减少了假阳性检测,并确定了标签错误.
结论:
- BiUnet-Dense为城市变化检测提供了强大而高效的解决方案.
- 该模型的架构有效地从双时间遥感数据中提取了深层特征.
- 这种方法提高了环境监测和应急管理应用程序的可靠性.
