基于循环神经网络特征融合的高分遥感影像建筑物变化检测

摘要

在高分遥感影像城区建筑物变化检测中,如何充分利用丰富的空间信息和时序信息仍是目前亟待解决的问题.本文基于2015年和2017年分别获取的广东省某地区0.65米分辨率的卫星遥感影像,进行新增建筑物识别的研究,利用卷积神经网络和循环神经网络分别提取空间特征和时序特征以提高变化检测精度,并对比了卷积神经网络与不同循环神经网络的两种组合方式.在本文实验中,使用循环神经网络融合高层时间特征相比于原始变化检测网络节省了26.5％的时间成本,相比于融合底层时间特征节省了75.2％的时间成本,使用长短期记忆网络进行高层特征融合使得建筑物变化检测的F1得分提高了0.19,并将总体精度提高至95.0％.结果表明,在卷积神经网络中引入循环神经网络实现了时间序列高层特征融合,提高了高分遥感影像中建筑物变化检测的速度和精度.