基于深度学习及人机协同的煤矿区地表遥感影像变化图斑智能提取

摘要

针对深度学习变化检测方法对光照和配准误差敏感及样本数量不足的问题,本文从理论和实际应用的角度出发,提出并实现了一套基于Cesium的WebGIS和深度学习理论的煤矿区地表遥感影像变化图斑智能提取方法和技术流程。首先,利用改进的融合时空特征匹配一致性检测及大卷积核时空注意力构造多任务时空注意力变化检测网络（multi-task spatio-temporal attention change detection network,MSTACDN）的深度学习模型,实现遥感影像变化图斑的智能提取;继而,通过构建的WebGIS平台对提取的变化检测图斑进行可视化展示、管理和多用户人机协同编辑,提高检测成果的正确率和精度;最后,将人工编辑成果作为新样本存入样本库,并反馈给深度学习模型进行自主学习,进一步提高模型精度。三种典型地物（建筑物、水体及道路）变化检测的实际应用结果表明:与FC-SD （fully convolutional-siamese difference）、SNUNet （siamese nested UNet）、BITNet （bi-temporal image transformer network）、ChangeFormer算法相比,所提的深度学习算法获得了最优的检测精度,建筑物、水体、道路的精度指标IoU（intersection over union）和F₁得分分别为82.26%和91.79%、81.68%和91.50%,以及72.13%和87.59%,显著优于其他模型;利用增强的样本库自主学习,有效弥补了样本数量不足的缺陷,经过一轮样本增强后,建筑物、水体、道路的IoU和F₁得分分别提升至89.53%和91.86%、85.74%和91.78%,以及82.32%和89.77%。

关键词

深度学习 / 高分遥感 / 变化检测 / Cesium / WebGIS