【深度学习】遥感影像变化检测基础和常用模型

基于深度学习的变化检测基础

遥感影像的变化检测（CD）是通过对比不同时间点的遥感影像信息，识别和分析地表物体在时间上的变化情况的技术。变化检测在自然灾害评估、资源管理和环境监测、城市化和土地利用管理等任务中有着广泛应用。变化检测技术可以为观察者和决策者提供更可靠的信息，对灾害的准确响应、环境的可持续发展、土地的合理规划具有重要作用。
近年来基于深度神经网络框架特别是cnn的图像处理方法在遥感影像的变化检测任务上也得到了广泛的应用，并逐渐成为了主要方法。

使用遥感影像进行变化检测，数据需要进行的加工包括图像预处理（辐射校正、地形校正等标准化流程）、图像配准（因为变化检测对比两个时间点的目标的形态和状态特征，需要将双时相的图像在空间上对准）。
采用深度学习方法进行变化检测，与其他方法一致，分为模型定义、损失函数定义和优化方法选择三部分。
模型选择：基于cnn的变化检测模型本质上是用于语义分割的模型，输出类别为2（变化区域和未变化区域）。同时，变化检测模型在特征提取部分需要融合双时相图像的特征，相比于单幅图像的语义分割是由下采样降维＋特征提取和保留->特征拼接＋上采样还原的两级式步骤（U-Net），变化检测的网络需要在特征提取和特征拼接做出优化，采用双分支、特征差分等机制对双时相图像中的变化信息进行建模，最后经上采样过程还原为与原图尺寸相同的显示变化信息的结果。
实验指标与语义分割一致，采用F1 score、recall、precision和MIoU等。


Recall召回率是用来衡量模型对正例的检测能力，受未检测到的正例数量影响，漏检时召回率会降低（与其翻译成召回率，个人认为应翻译成覆盖率，待讨论）；
Precision精确度是用来衡量模型在所有正例中真正检测到多少正例的指标，受误判为正例的样本数量影响，当模型对负例做出错误预测时，精确度会降低；
F1是rec和pre的调和平均，适用于处理类别不平衡的情况，当需要在精确度和召回率之间寻找平衡的时候，F1比较常用；
MIoU是用来衡量预测的区域于真实区域之间的交集比例，受到每个类别的预测准确性影响。

变化检测经典模型

（1）FC-EF
原文：https://arxiv.org/abs/1810.08462