✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅成品或者定制，扫描文章底部微信二维码。
随着对地观测技术的飞速发展，高分辨率遥感影像数据的获取变得日益便捷，其在城市规划、灾害评估、土地利用监测等领域发挥着不可替代的作用。建筑物作为城市环境中主要的人造地物，其精确提取与变化检测是遥感图像处理中的核心任务。然而，高分辨率影像中建筑物呈现出尺度差异大、外观复杂多样、阴影遮挡严重等特点，传统的基于光谱特征或人工设计特征的方法难以满足高精度自动化提取的需求，常出现“同物异谱”和“异物同谱”现象导致的误检与漏检。虽然近年来深度学习在图像分割领域取得了显著进展，但直接将其应用于遥感建筑物提取仍面临边缘分割不精细、小目标丢失以及变化检测中伪变化干扰等挑战。
本文针对高分辨率遥感影像建筑物提取与变化检测中的难点，提出了一种融合多尺度特征与注意力机制的深度学习框架，旨在提高建筑物提取的完整性与变化检测的鲁棒性。该研究首先构建了一个增强的编解码网络结构，通过改进的特征金字塔模块有效整合深层语义信息与浅层细节信息，解决了高分辨率影像中大型建筑物内部空洞和小型建筑物边缘模糊的问题。同时，针对双时相影像的变化检测，设计了孪生网络结构以提取差异特征，并引入一种新型的差异判别损失函数，有效抑制了因光照差异、视角变化引起的伪变化噪声，显著提升了变化检测的精度。
为进一步提升算法在复杂场景下的适应性，本文重点开展了以下三方面的研究工作：1、提出了一种基于残差密集连接的特征提取模块，该模块通过密集连接机制加强了特征图之间的传递与复用，有效缓解了深层网络中的梯度消失问题，同时保留了更多的纹理细节信息，使得建筑物边缘的分割更加锐利平滑。2、设计了空间与通道双重注意力机制，针对遥感影像背景复杂的特点，该机制能够自适应地对特征图进行加权处理，抑制植被、道路等背景噪声的干扰，显著提升了网络对建筑物区域的关注度，特别是在阴影遮挡区域的识别能力得到了明显增强。3、针对变化检测任务，构建了一种基于多层级特征差分的孪生网络模型，该模型不仅在编码器末端进行特征对比，还在解码器的不同层级引入特征差分模块，实现了多尺度变化信息的捕捉，从而能够同时精准检测出新建、拆除等不同尺度的建筑物变化情况。
本文所提出的方法在WHU建筑物数据集及自建的高分辨率遥感影像变化检测数据集上进行了广泛的实验验证。实验结果表明，该方法在IoU（交并比）和F1分数等关键指标上均优于目前主流的语义分割与变化检测网络，生成的建筑物提取结果边界清晰、内部完整，变化检测结果准确可靠，误检率显著降低。本研究为高分辨率遥感影像的智能化处理提供了行之有效的解决方案，具有重要的理论意义与应用价值。
如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
