葉沅鑫，孫苗苗，周 亮，楊 超，劉天逸，郝思媛

1. 西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院, 四川 成都 611756； 2. 高速鐵路安全運(yùn)營空間信息技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室, 四川 成都 611756； 3. 青島理工大學(xué)信息與控制工程學(xué)院, 山東 青島 266520

建筑物作為一個城市的重要組成部分，其拆除、新建、擴(kuò)建等變化與人類生活息息相關(guān)，及時準(zhǔn)確地獲取建筑物的變化信息對于人類發(fā)展具有重要意義[1]。隨著遙感成像技術(shù)的快速發(fā)展，可用于變化檢測的遙感影像數(shù)據(jù)越來越多，為利用遙感影像進(jìn)行建筑物變化檢測提供了海量的研究數(shù)據(jù)。面向建筑物的遙感影像變化檢測成為研究熱點(diǎn)[2-3]。相關(guān)的變化檢測方法研究也獲得巨大發(fā)展，從早期的基于像元的建筑物變化檢測發(fā)展至結(jié)合面向?qū)ο蠓治龅姆椒ǎ瑥闹焕霉庾V特征的方法發(fā)展至結(jié)合光譜、形態(tài)學(xué)指數(shù)[4]等多種特征[5-8]的方法。雖然傳統(tǒng)的像元級、對象級方法研究取得了豐碩的研究成果，但受限于人為設(shè)計(jì)特征的表達(dá)能力和分割結(jié)果的準(zhǔn)確性，其在檢測的準(zhǔn)確性和完整性方面仍存在許多不足之處。

近年來，深度學(xué)習(xí)技術(shù)憑借其特有的深層特征表達(dá)能力，為大數(shù)據(jù)時代下遙感影像處理領(lǐng)域如目標(biāo)檢測[9-10]、影像匹配[11]、變化檢測[12]、影像分類[13]等提供了新的解決方案，得到了學(xué)者們的廣泛關(guān)注。其中，將深度學(xué)習(xí)技術(shù)引入傳統(tǒng)變化檢測流程中的方法[14-15]應(yīng)用較早，但由于未能充分利用神經(jīng)網(wǎng)絡(luò)端到端的結(jié)構(gòu)優(yōu)勢，檢測效率較低。因此，許多學(xué)者將可進(jìn)行像元級預(yù)測的全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional networks,FCN)[16]引入變化檢測中，構(gòu)建端到端的變化檢測模型。雖然端到端的方式提高了檢測效率，但FCN中的下采樣操作會影響像元空間位置的準(zhǔn)確性，難以獲得規(guī)則的建筑物形狀。一系列改進(jìn)方法被提出，如以U-Net為代表的編碼-解碼結(jié)構(gòu)[17-18]可通過上采樣和反卷積盡可能地恢復(fù)影像的空間位置信息，提高檢測結(jié)果的準(zhǔn)確性；以注意力模型為代表的結(jié)合時空關(guān)系的方法[19-21]可通過位置注意力、通道注意力增強(qiáng)網(wǎng)絡(luò)對變化和未變化像元的可分離度，優(yōu)化建筑物邊界的檢測效果。

上述基于深度學(xué)習(xí)的變化檢測方法雖然在探測建筑物變化方面獲得了較好的檢測結(jié)果，但由于它是通過建模影像的全局信息來提高物體內(nèi)部的一致性，或是通過多尺度特征融合優(yōu)化地物邊緣檢測效果，忽視了地物主體與邊緣間的差異(主體內(nèi)像元間相似性強(qiáng)，邊緣像元屬性間存在較大差異)，檢測結(jié)果中易產(chǎn)生鋸齒形邊界，出現(xiàn)多個相鄰建筑物被視為單個建筑物的情況。為此，本文借鑒解耦思想[22]在語義分割領(lǐng)域的成功應(yīng)用，把地物分解成主體和邊緣的解耦思想引入變化檢測中，并在此基礎(chǔ)上增加特征優(yōu)化結(jié)構(gòu)，提出了一種基于主體、邊緣分解與重組網(wǎng)絡(luò)的建筑物變化檢測方法(building change detection method based on main body,edge decomposition and reorganization network，BEDRNet)。該方法通過特征分離，分解出主體特征和邊緣特征，然后采用多重監(jiān)督將計(jì)算出的標(biāo)簽與預(yù)測間的損失都傳送給網(wǎng)絡(luò)，并利用特征優(yōu)化結(jié)構(gòu)實(shí)現(xiàn)主體特征和邊緣特征的精準(zhǔn)優(yōu)化，削弱原始影像中的不相關(guān)信息，最后通過特征重組和上采樣形成完整的變化檢測流程。

1 本文方法

BEDRNet模型主要包括特征提取、特征分解、特征優(yōu)化、特征重組與損失函數(shù)5個模塊，并采用多重監(jiān)督的策略訓(xùn)練網(wǎng)絡(luò)。其中，①特征提取：提取雙時相影像的多尺度差值特征；②特征分解：通過構(gòu)建可學(xué)習(xí)的流域，分離出主體特征和邊緣特征；③特征優(yōu)化：設(shè)計(jì)特征優(yōu)化結(jié)構(gòu)，利用主體標(biāo)簽和邊緣標(biāo)簽對主體特征和邊緣特征進(jìn)行精準(zhǔn)優(yōu)化；④特征重組：對優(yōu)化后的主體特征和邊緣特征進(jìn)行重組并生成最終的變化檢測結(jié)果以形成完整的變化檢測流程；⑤監(jiān)督策略與損失函數(shù)：采用多重監(jiān)督的策略，損失函數(shù)由主體損失、邊緣損失和預(yù)測結(jié)果損失3部分組成。模型整體設(shè)計(jì)如圖1所示。

圖1 本文方法總體流程Fig.1 Flowchart of the proposed method

1.1 特征提取

變化檢測中的兩期遙感影像間存在一定的光譜和時相差異，特征提取對于網(wǎng)絡(luò)檢測效果具有重要的影響。FCN作為一種逐像元確定預(yù)測結(jié)果的經(jīng)典模型，在變化檢測中取得了廣泛應(yīng)用，但其中的下采樣操作會導(dǎo)致預(yù)測圖中地物邊界檢測效果較差，出現(xiàn)檢測性能降低的情況，尤其對于小目標(biāo)的檢測。ResNet[23]作為提取影像深層特征的基本模塊，已經(jīng)在目標(biāo)識別、圖像分割等任務(wù)中表現(xiàn)出良好的性能。此外，孿生網(wǎng)絡(luò)結(jié)構(gòu)作為一種能夠高效提取兩分支輸入特征的網(wǎng)絡(luò)結(jié)構(gòu)，對于變化檢測而言具有天然的優(yōu)勢，在變化檢測中得到了廣泛應(yīng)用[24]。為此，本文在特征提取部分參考FCN網(wǎng)絡(luò)架構(gòu)，基于孿生ResNet提取影像特征。本文將對孿生ResNet架構(gòu)及特征提取實(shí)施細(xì)節(jié)進(jìn)行介紹。

1.1.1 孿生ResNet

孿生網(wǎng)絡(luò)是由兩個分支網(wǎng)絡(luò)構(gòu)成的一種耦合架構(gòu)，如圖2所示，相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)只能接收一個樣本輸入，孿生網(wǎng)絡(luò)可以同時接收兩個輸入，最后經(jīng)過決策層獲得輸出。在孿生網(wǎng)絡(luò)中，分支網(wǎng)絡(luò)結(jié)構(gòu)相同且權(quán)值共享，決策層可以是全連接層，可以是某種相似性度量算法，也可以是某種簡單運(yùn)算，如相減、卷積等。孿生ResNet包含兩個結(jié)構(gòu)相同且權(quán)值共享的ResNet分支網(wǎng)絡(luò)，可以提取多尺度差值特征作為后續(xù)變化檢測模塊的輸入。

圖2 孿生網(wǎng)絡(luò)架構(gòu)Fig.2 The architecture of Siamese network

ResNet作為一種有效的特征提取手段，憑借殘差連接的方式可以很好地解決深層神經(jīng)網(wǎng)絡(luò)中存在的“退化”現(xiàn)象。其基本思想為：在提取影像特征時，不直接學(xué)習(xí)目標(biāo)y與輸入x之間的關(guān)系，而是通過殘差的形式對目標(biāo)進(jìn)行學(xué)習(xí)。其基本單元如式(1)所示

y=F(x,{wi,b})+x

(1)

式中，F(xiàn)(x,{wi,b})為殘差函數(shù)；wi為權(quán)重；b為偏置項(xiàng)。

不同深度的ResNet結(jié)構(gòu)，殘差基本單元的構(gòu)成形式存在微小差異。圖3展示了殘差基本單元常用的兩種構(gòu)成形式。左側(cè)為由兩個卷積層組成殘差基本單元，即ResNet18和ResNet34的基本模塊，右側(cè)為含有3個卷積層的殘差單元，ResNet50、ResNet101及ResNet152的基本結(jié)構(gòu)。3個卷積層中第1個卷積層和第3個卷積層的卷積核大小設(shè)定為1，可以實(shí)現(xiàn)特征通道數(shù)的轉(zhuǎn)換，減少網(wǎng)絡(luò)中的卷積核參數(shù)個數(shù)。考慮到訓(xùn)練效率及特征提取能力，本文參考ResNet50構(gòu)建特征提取模塊。

圖3 殘差基本單元Fig.3 The residual basic unit

1.1.2 特征提取

1.2 特征分解

在遙感影像中，地物主體對應(yīng)影像的低頻信息部分，像元間的相似性較強(qiáng)，邊緣對應(yīng)影像的高頻部分，像元間的差異性較強(qiáng)。相對于存在較大差異的邊緣部分而言，具有更強(qiáng)內(nèi)部一致性的主體像元特征更容易提取，且對于具有不同分辨率的多尺度特征而言，低分辨率特征圖可以更好地反映影像的整體信息，更易提取對象的主體特征。在特征提取的5個階段中，如圖4所示，DF1、DF2細(xì)節(jié)信息豐富，DF5更好地反映了影像整體信息，故本文將雙時相影像多尺度差值特征中最深層次的特征DF5作為特征分解部分的輸入，通過可學(xué)習(xí)的流域?qū)ο髢?nèi)部的像元特征流向?qū)ο蟮闹行?，以提取主體特征。然后通過特征圖減去主體特征獲得影像的邊緣特征。

圖4 特征提取各階段結(jié)果Fig.4 The results of each stage in feature extraction module

網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，F(xiàn)為用于分解出主體和邊緣的特征，F(xiàn)Low為編碼特征圖，DF為解碼后的特征圖，F(xiàn)low為流域，F(xiàn)body為分離出的主體特征，F(xiàn)edge為分離出的邊緣特征。其中流域通過學(xué)習(xí)F→Fbody的映射關(guān)系獲得主體特征，其學(xué)習(xí)任務(wù)與光流相似，都是旨在學(xué)習(xí)輸入與目標(biāo)之間的運(yùn)動信息。由于卷積神經(jīng)網(wǎng)絡(luò)在給定足夠訓(xùn)練數(shù)據(jù)的情況下，非常善于學(xué)習(xí)輸入與輸出的關(guān)系。因此，本文參考神經(jīng)光流網(wǎng)絡(luò)[25]的結(jié)構(gòu)構(gòu)建特征分解部分，即整體采用編碼解碼的結(jié)構(gòu)設(shè)計(jì)，通過對特征進(jìn)行下采樣獲得頻率更低的編碼特征圖FLow，再通過上采樣和跨步卷積生成低頻圖DF，最后通過輸入特征F和卷積獲得流域Flow，其中，F(xiàn)、FLow、DF、Flow的特征圖大小分別為256×32×32、256×16×16、256×32×32、256×32×32。

圖5 特征分解Fig.5 Feature decomposition module

獲得流域Flow后，通過Flow對物體內(nèi)像元特征的流向進(jìn)行引導(dǎo)，采用xl+Flowl(xl)將標(biāo)準(zhǔn)空間格網(wǎng)Ωl中每個位置的點(diǎn)xl映射為新點(diǎn)x′。接著如式(2)所示，采用空間變換網(wǎng)絡(luò)中所提出的雙線性差分采樣機(jī)制[26]來近似估計(jì)Fbody中的每個點(diǎn)xl，通過雙線性內(nèi)插獲得主體特征圖Fbody中xl鄰域范圍內(nèi)4個像元的像元值

(2)

式中，?l表示在分離空間格網(wǎng)上的雙線性核的權(quán)重，主要由Flow計(jì)算得到；N表示鄰域范圍內(nèi)的像元。

邊緣特征Fedge為影像的高頻信息部分，主體特征為影像中的低頻信息，故可以從整幅影像中“減去”表示低頻信息的主體特征來獲得。如式(3)所示，從深度特征F中減去主體特征Fbody生成Fedge

Fedge=F-Fbody

(3)

1.3 特征優(yōu)化

特征分解出的主體特征和邊緣特征的特征層次較深，可更好地反映整體信息但缺少細(xì)節(jié)特征，其邊界信息的可靠性不強(qiáng)。且上采樣操作雖能增加特征圖的尺寸，卻無法提升其信息量。直接對其進(jìn)行監(jiān)督，計(jì)算相應(yīng)的損失對網(wǎng)絡(luò)參數(shù)進(jìn)行更新，生成的預(yù)測邊界的準(zhǔn)確性不高。為提高地物邊界的準(zhǔn)確度，本文設(shè)計(jì)特征優(yōu)化結(jié)構(gòu)，通過結(jié)合多尺度淺層特征的方式，在逐漸增加特征圖尺寸的同時添加細(xì)節(jié)信息。由于地物的邊緣和主體分別屬于高低頻信息，本文采用圖6所示的特征優(yōu)化結(jié)構(gòu)對邊緣特征和主體特征分別進(jìn)行優(yōu)化。

圖6 特征優(yōu)化Fig.6 Feature optimization module

1.4 特征重組

1.5 監(jiān)督策略與損失函數(shù)

現(xiàn)有的變化檢測方法只對最終的預(yù)測結(jié)果進(jìn)行監(jiān)督訓(xùn)練，忽視了地物主體和邊緣之間存在相互作用。為實(shí)現(xiàn)主體特征和邊界特征的精準(zhǔn)優(yōu)化，本文采用多重監(jiān)督的策略，分別利用主體特征標(biāo)簽、邊緣特征標(biāo)簽及變化檢測結(jié)果標(biāo)簽對優(yōu)化后的主體特征、邊緣特征和最終的預(yù)測結(jié)果進(jìn)行監(jiān)督。其中，邊緣特征標(biāo)簽由變化檢測結(jié)果標(biāo)簽的最外層像元構(gòu)成(遍歷結(jié)果標(biāo)簽圖每一個像素，判斷其4鄰域所屬類別，如有不同則識別為邊緣，否則識別為非邊緣)，主體標(biāo)簽由變化檢測結(jié)果標(biāo)簽減去邊緣標(biāo)簽生成。損失函數(shù)如式(4)所示

(4)

通過多重的監(jiān)督訓(xùn)練，特征優(yōu)化結(jié)構(gòu)對主體特征和邊緣特征的優(yōu)化效果如圖7所示，其中，第1行為主體特征的優(yōu)化效果，第2行為邊緣特征的優(yōu)化效果。由圖7(a)可以看出，通過特征分解形成的主體特征和邊緣特征，其輪廓比較模糊，難以給出完整的地物變化信息；由圖7(b)可以看出，優(yōu)化一次的主體特征可以明顯地看出變化地物的輪廓，但缺乏詳細(xì)的細(xì)節(jié)信息，優(yōu)化一次的邊緣特征可以發(fā)現(xiàn)某些地物輪廓信息，但多數(shù)變化地物的邊界線存在不連續(xù)現(xiàn)象，難以獲取準(zhǔn)確的變化地物輪廓。對比圖7(c)和圖7(d)可以發(fā)現(xiàn)，經(jīng)過兩次優(yōu)化的主體特征和邊緣特征能夠獲得準(zhǔn)確的地物變化信息，即BEDRNet模型可通過多重監(jiān)督訓(xùn)練，對地物的主體和邊緣進(jìn)行精準(zhǔn)優(yōu)化。

圖7 網(wǎng)絡(luò)預(yù)測效果Fig.7 Network forecasting effect

2 試驗(yàn)與分析

2.1 試驗(yàn)數(shù)據(jù)

本文采用文獻(xiàn)[19]在2020年公開的航空影像建筑物變化檢測數(shù)據(jù)集LEVIR-CD。該數(shù)據(jù)集由639張1024×1024像素的谷歌地球影像組成，空間分辨率為0.5 m，雙時相影像間的跨度為5～14 a，其中的建筑物包括別墅、高層公寓、小型車庫和大型倉庫等，種類豐富。整個數(shù)據(jù)集中共含有31 333個獨(dú)立的變化建筑物，平均每個影像對中含有50個變化的建筑物，變化信息十分豐富。本文在試驗(yàn)時，沿用LEVIR-CD的數(shù)據(jù)劃分方式，將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測試集3組，每組數(shù)據(jù)集分別包括445組、64組、128組影像對。數(shù)據(jù)擴(kuò)增方式采用無重疊裁剪、隨機(jī)翻轉(zhuǎn)、-15°～15°內(nèi)隨機(jī)旋轉(zhuǎn)，影像裁剪的尺寸為256×256。擴(kuò)增后的訓(xùn)練集、驗(yàn)證集和測試集的樣本量分別為10 680、1536和2048張。

2.2 試驗(yàn)設(shè)計(jì)

為突出基于BEDRNet的變化檢測的優(yōu)越性，探索網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的合理性，本文設(shè)計(jì)了兩組試驗(yàn)對比方案。第1組方案為不同方法間的對比，本文將BEDRNet模型與4種變化檢測模型進(jìn)行比較。其中，方法Ⅰ為FC-EF[27]，方法Ⅱ?yàn)镋F-Siam-conc[27]，方法Ⅲ為全卷積孿生網(wǎng)絡(luò)結(jié)合基本時空注意力模型的STA-BAM[19]，方法Ⅳ為全卷積孿生網(wǎng)絡(luò)結(jié)合金字塔時空注意力模型的STA-PAM[19]。方法Ⅴ為基于BEDRNet的本文方法。第2組為消融試驗(yàn)，在BEDRNet模型中，本文所設(shè)計(jì)的優(yōu)化結(jié)構(gòu)(見1.3節(jié))對于主體和邊緣的精準(zhǔn)優(yōu)化非常重要，為對其有效性及合理性進(jìn)行分析，本文設(shè)計(jì)了相應(yīng)的消融試驗(yàn)對特征優(yōu)化結(jié)構(gòu)的性能進(jìn)行測試。試驗(yàn)方法涉及BEDRNet-base和BEDRNet，其中BEDRNet-base為不含特征優(yōu)化結(jié)構(gòu)的BEDRNet模型。

所有試驗(yàn)基于Ubuntu 18.04系統(tǒng)，CPU型號為Intel(R) Core(TM) i7-10700KF，GPU為NVIDIA GeForce RTX 3080顯卡，顯存大小為10 GB。采用Pytorch 1.8.0深度學(xué)習(xí)框架。各試驗(yàn)方法參數(shù)設(shè)置見表1。

表1 各試驗(yàn)方法參數(shù)設(shè)置Tab.1 The parameters setting of each method

2.3 試驗(yàn)結(jié)果與分析

2.3.1 不同方法檢測結(jié)果對比

為對5種基于深度學(xué)習(xí)的變化檢測方法進(jìn)行合理的評價，本文從定性和定量兩方面對變化檢測結(jié)果進(jìn)行分析。在定量分析方面，采用總分類精度、召回率、精確度、F1score及均值交并比(Mean IoU)5種評價指標(biāo)對檢測結(jié)果的精度進(jìn)行評價，并對比了5種方法的訓(xùn)練與測試效率。定性方面，對測試集中一般密集度及較高密集度的建筑物檢測效果，及檢測結(jié)果邊界準(zhǔn)確性進(jìn)行了詳細(xì)分析。

在定量分析方面，表2展示了上述5種基于深度學(xué)習(xí)的變化檢測方法在LEVIR-CD數(shù)據(jù)集上的檢測精度。

表2 LEVIR-CD數(shù)據(jù)集5種方法檢測精度Tab.2 The detection accuracy of the five methods on LEVIR-CD data set (%)

對表2中的數(shù)據(jù)進(jìn)行分析，可以發(fā)現(xiàn)：①BEDRNet的檢測性能最佳，在5種評價指標(biāo)上均達(dá)到了最高精度。特別地，其在精確度、F1score及Mean_IoU方面分別比結(jié)合金字塔時空注意力模型的STA-PAM方法高出約9.3%、5.1%、4.4%。②在對全局信息進(jìn)行建模的變化檢測方法中，相較于基于U-Net的FC-EF法和EF-Siam-conc法，結(jié)合時空注意力的STA-BAM法和STA-PAM法能夠獲得較好的檢測性能，但其檢測精度仍低于BEDRNet的檢測結(jié)果。

表3展示了5種變化檢測方法平均每輪訓(xùn)練用時及平均測試每對影像所用時長。由于模型復(fù)雜度和數(shù)據(jù)處理策略的不同，各方法模型訓(xùn)練用時差異較大，其中FC-EF法與STA-BAM法的訓(xùn)練用時最短，EF-Siam-conc法次之，本文方法與STA-PAM訓(xùn)練用時相對較長。5種方法均達(dá)到了較高的變化檢測效率，得到每對雙時相影像變化檢測結(jié)果的平均用時均小于0.05 s。其中，F(xiàn)C-EF法與STA-BAM法測試效率最高，本文方法與EF-Siam-conc次之，STA-PAM檢測效率相對較低。綜合考慮變化檢測精度與檢測效率可知，本文方法具有較好的變化檢測性能。

表3 5種方法訓(xùn)練與測試用時Tab.3 The training and testing time of the five methods

在定性分析方面，為直觀地展示上述5種變化檢測方法的檢測效果，本文分別以彩色疊加圖和黑白二值變化圖為例，對不同建筑物密集程度的檢測結(jié)果進(jìn)行了展示，在兩種類型的圖中，從左到右依次是變化檢測結(jié)果標(biāo)簽、FC-EF法檢測結(jié)果、EF-Siam-conc法檢測結(jié)果、STA-BAM法檢測結(jié)果、STA-PAM法檢測結(jié)果、BEDRNet法檢測結(jié)果。其中，圖8展示了在建筑物一般密集程度研究區(qū)域的檢測結(jié)果，綠色部分表示能夠正確識別的變化區(qū)域，紅色部分表示錯誤識別區(qū)域。由第1行及第2行的檢測結(jié)果可以看出，BEDRNet能較好地保持地物輪廓的完整性，對大型建筑物進(jìn)行準(zhǔn)確識別。由第3行、第4行及第5行的結(jié)果可以發(fā)現(xiàn)，BEDRNet可以對小型建筑物實(shí)現(xiàn)精準(zhǔn)識別，對地物邊界的描述也更加詳細(xì)準(zhǔn)確。

圖8 5種方法在建筑物一般密集度區(qū)域的檢測結(jié)果Fig.8 The detection results of the five methods in the general density building area

圖9顯示了5種方法在建筑物間密集程度較高區(qū)域的檢測效果，圖10對比了5種方法變化區(qū)域邊界檢測的準(zhǔn)確性?？梢悦黠@看出，沒有結(jié)合注意力機(jī)制的FC-EF法及EF-Siam-conc法檢測效果較差，很難識別出建筑物之間的間隙，且檢測結(jié)果邊界破碎，準(zhǔn)確性不高。相比之下，結(jié)合時空注意力的STA-BAM法和STA-PAM法檢測性能有所提升，但對建筑物間隙的識別能力仍然較弱，建筑物之間存在部分連接現(xiàn)象，且容易產(chǎn)生“鋸齒形邊界”現(xiàn)象(見圖10矩形框)。而BEDRNet在建筑物密集度較高的區(qū)域具有更好的識別能力，且能夠較好地保持地物輪廓的準(zhǔn)確性，具有很強(qiáng)的抗鋸齒性能。以上試驗(yàn)結(jié)果表明，雖然時空注意力在提高變化檢測性能方法具有一定的優(yōu)越性，但在密集度較高的建筑物區(qū)域的檢測效果仍有待提升，而BEDRNet通過分別對地物主體、邊緣進(jìn)行建模，可以準(zhǔn)確地識別大型和小型建筑物，且在保持地物邊界的準(zhǔn)確性方面也具有更好的性能。

圖9 5種方法在密集度較高區(qū)域的檢測結(jié)果Fig.9 The detection results of the five methods in the high-density area

圖10 5種方法邊界檢測效果Fig.10 The boundary detection effect of the five methods

2.3.2 消融試驗(yàn)

為了精確地優(yōu)化建筑物的主體和邊緣特征，本文在BEDRNet模型中設(shè)計(jì)了特征優(yōu)化結(jié)構(gòu)。為了對其設(shè)計(jì)的合理性和有效性進(jìn)行驗(yàn)證，這里開展了有關(guān)特征優(yōu)化結(jié)構(gòu)的消融試驗(yàn)。試驗(yàn)方法包括無特征優(yōu)化結(jié)構(gòu)的BEDRNet-base法及含有特征優(yōu)化結(jié)構(gòu)的BEDRNet。其定量檢測精度見表4。

表4 消融試驗(yàn)檢測精度Tab.4 The detection accuracy of ablation experiments (%)

由表4可以看出，BEDRNet的精確度、F1score和Mean_IoU分別比BEDRNet-base高出約2.6%、2.0%和1.7%，即含有特征優(yōu)化結(jié)構(gòu)的方法可以獲得較高的檢測精度。

檢測結(jié)果如圖11所示，其中第1列為變化檢測結(jié)果標(biāo)簽，第2列為BEDRNet-base檢測結(jié)果圖，第3列為BEDRNet法檢測結(jié)果。由圖11可知，含有特征優(yōu)化結(jié)構(gòu)的BEDRNet法能夠在大型建筑物區(qū)域獲得完整的建筑物輪廓(如圖中第1行檢測結(jié)果中的矩形框所示)，能夠較好地識別小型建筑物(如圖中第2行和第3行檢測結(jié)果中的矩形框及橢圓框所示)，且無論是對于大型建筑物還是小型建筑物，BEDRNet檢測結(jié)果中的鋸齒現(xiàn)象都較弱。

圖11 消融試驗(yàn)結(jié)果Fig.11 The results of ablation experiment

綜上所述，BEDRNet模型中的特征優(yōu)化結(jié)構(gòu)設(shè)置合理，性能高效，能夠通過分別建模大型和小型建筑物的主體和邊緣實(shí)現(xiàn)地物輪廓的準(zhǔn)確識別。

3 結(jié) 論

為優(yōu)化建筑物密集區(qū)域的邊界檢測效果，本文將特征解耦的思想應(yīng)用到變化檢測中，提出了一種基于主體、邊緣分解與重組網(wǎng)絡(luò)的建筑物變化檢測方法(BEDRNet模型)。該方法的網(wǎng)絡(luò)結(jié)構(gòu)包括特征提取、特征分解、特征優(yōu)化、特征重組及預(yù)測損失5個部分。其中特征提取主要用于提取影像的深層特征，特征分解用于分解出主體特征和邊緣特征，特征優(yōu)化通過結(jié)合多尺度淺層特征對主體特征、邊緣特征進(jìn)行精準(zhǔn)優(yōu)化，特征重組部分用于對優(yōu)化后的特征進(jìn)行重組和上采樣，生成變化檢測二值圖。試驗(yàn)結(jié)果表明，相較于基于U-Net網(wǎng)絡(luò)的方法、結(jié)合時空注意力的方法，BEDRNet模型能夠在建筑物區(qū)域獲得較優(yōu)的檢測結(jié)果。由于訓(xùn)練樣本的多樣性對模型的性能十分重要，目前現(xiàn)有的數(shù)據(jù)集多為同源遙感影像，未來的研究方向之一就是制作異源遙感影像變化檢測數(shù)據(jù)集，以測試和進(jìn)一步改進(jìn)BEDRNet模型。