基于多态模拟条件对抗网络的遥感影像建筑物变化检测方法

Building intelligent change detection based on high resolution remote sensing image is one of the advanced topics in the interpretation of remote sensing data. However, it is very complex and difficult to recognize and analyze building change information automatically since the complexity of observation system, buildings and background environment, and limits the application potential of intelligent building change detection based on high resolution remote sensing image. This project aimed at the problem that the building polymorphism has not been effectively utilized, the deep learning method training set is difficult to construct, and focusing on building polymorphism simulation and self-learning. In the conditional generative adversarial networks, the feature self-learning, training set generation and multi-level propagation mechanism of generative model, and adversarial, optimization, decision characteristics of the discrimination model are used. Combine with the morphological feature sensing method and domain adaptive spatial method, the simulation and analysis of building polymorphism is studied. By using building simulation set, self-learning and identification of building essence characteristic is proposed, and to obtain building change probability distribution. Meanwhile, the domain invariant feature analysis and decision rules is added to the conditional generative adversarial networks, in order to optimize the result and keep the detailed feature of building change detection. This project intends to achieve the effective determination and extraction of building changes using conditional generative adversarial networks, in order to improve the accuracy and integrity of building change detection, and to promote the application potential of high resolution image change detection. This project has method innovation and application value.

高分辨率遥感影像建筑物智能变化检测是遥感数据解译的前沿热点课题之一，但受成像条件与建筑物本身等因素影响，自动识别与解译的难度较大，制约了其在各方面的应用潜力。针对当前研究中存在的建筑物多态性尚未有效利用、深度学习方法训练集构建困难等问题，本项目以建筑物多态性模拟集与自学习为核心，基于条件对抗网络思想，开展生成模型的特征自学习并自动生成训练集方法，同时进行判别模型的对抗、优化与判定，结合形态特征感知与域自适应空间方法，分析并模拟多时相建筑物的多态性，通过自动生成建筑物多态模拟集，研究自学习与识别建筑物本质特征的方法，获取建筑物变化概率分布；此外，拟将域不变特征分析和决策规则引入条件对抗网络中，进一步优化建筑物变化检测结果。本项目利用条件对抗网络实现建筑物变化的有效判定和提取，以期提高建筑物智能变化检测的精度和完整性，发掘高分辨率影像变化检测的应用潜力，具有方法创新和应用价值。

高分辨率遥感影像建筑物智能变化检测是遥感数据解译的前沿热点课题之一，但受成像条件与建筑物本身等因素影响，自动识别与解译的难度较大，制约了其在各方面的应用潜力。针对当前研究中存在的建筑物多态性尚未有效利用、深度学习方法训练集构建困难等问题，本项目以建筑物多态性模拟集与自学习为核心，基于条件对抗网络思想，开展生成模型的特征自学习并自动生成训练集，同时进行判别模型的对抗、优化与判定，结合形态特征感知与域自适应空间方法，分析并模拟多时相建筑物的多态性，通过自动生成建筑物多态模拟集，研究自学习与识别建筑物本质特征的方法，获取建筑物变化概率分布；此外，拟将域不变特征分析和决策规则引入条件对抗网络中，进一步优化建筑物变化检测结果。在理论方法上，设计并实现了支持建筑物初级特征并行自学习和多特征综合感知机制的深度学习模型，将视觉认知相关理论与深度学习模型相结合，构建了支持建筑物多特征并行自学习和综合感知的提取与识别深度学习模型，为小样本条件下深度学习模型研究提供方法参考。在应用技术上，根据高分辨率遥感数据特点、人眼感知和识别经验，建立了遥感建筑物变化检测样本库，研发了高精度、具有实用价值的多特征综合感知高分辨率遥感数据建筑物检测深度学习方法，并在建筑物识别、多目标分类等方面取得了显著效果。现在发表SCI三区以上论文7篇，其中高被引论文1篇，国内学报和国际会议上发表论文2篇；申请发明专利7项，获批发明专利2项，实审发明专利5项；培养研究生9名，已毕业4名；获批安徽省自然科学基金青年基金项目一项，企事业单位技术开发项目多项，作为技术骨干参与各类项目多项。本项目利用条件对抗网络实现建筑物变化的有效判定和提取，以期提高建筑物智能变化检测的精度和完整性，发掘高分辨率影像变化检测的应用潜力，具有方法创新和应用价值。