基于深度学习的遥感图像弱监督变化检测方法研究
文献类型：学位论文
| 作者 | 刘文豪 |
| 答辩日期 | 2025-06 |
| 文献子类 | 专业学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 余卓渊 ; 黄广生 |
| 关键词 | 弱监督 变化检测 类别激活映射图 多头自注意力 先验知识 |
| 学位名称 | 硕士 |
| 学位专业 | 资源与环境 |
| 英文摘要 | 遥感领域中的变化检测已成为遥感大数据处理中不可忽视的重要任务之一。近年来，利用基于深度学习的变化检测模型进行精准的遥感地物变化检测是当前智能监测、环境评估等领域的研究热点。然而其性能依赖于大量精确的像素级标签样本，获取这些样本困难且耗时。而图像级标签等弱监督标签的获取较为容易，因此使用图像级标签的弱监督变化检测（Weakly Supervised Change Detection, WSCD）越来越受到关注。然而，由于图像级标签提供的监督信号较为有限，现有WSCD方法的检测精度通常不高，且难以直接部署。因此，本研究基于深度学习的WSCD模型，结合先验知识，并充分利用神经网络的注意力信息，为WSCD模型的实际部署和高精度检测提供了研究支撑。本文研究结果和结论如下： （1）针对使用图像级标签训练的WSCD模型依赖多阶段框架，导致不易部署的问题，构建了基于Transformer的单阶段弱监督变化检测模型（ACWCD）。该模型利用Transformer提取类别激活映射图（Class Activation Mapping，CAM），并从CAM中生成用于训练的像素级伪标签。ACWCD在利用CAM生成像素级伪标签的同时，将生成的伪标签作为像素级监督进行同步训练，具有高效部署的潜力。 （2）针对单阶段框架生成伪标签的质量不高和缺乏监督信号的问题，本研究分别构建了两个组件: 注意力细化（Attention Refinement, AR）模块和变化先验（Change Priori，CP）约束。AR模块利用了Transformer中的注意力信息，以优化CAM，进而优化CAM生成的像素级伪标签，AR模块使得检测的F1分数提升了2.41%。同时，利用先验知识，CP约束控制了AR模块的使用场景，使得检测的F1分数提升了6.64%；并设计了损失函数，使得检测的F1分数提升了3.92%，减少了变化检测时所出现的误检与漏检区域。 （3）本研究在开源基准的BCD，DSIFN-CD和CLCD数据集上，与主流的WSCD模型进行对比分析。实验结果表明，ACWCD具备良好的特征细化和增强能力，实现了较好的性能。在三个数据集上的F1分数分别提升了22.78%，25.49%，28.95%。此外，分析证明ACWCD具有极大的可扩展性，可以成为未来WSCD研究的基线模型，在轻量化部署的实际应用中也具备巨大的潜力。 |
| 学科主题 | 资源与环境 |
| 语种 | 中文 |
| 页码 | 81 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/215687]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 刘文豪. 基于深度学习的遥感图像弱监督变化检测方法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。