技术摘要：
本发明属于遥感影像地物变化检测技术领域，具体一种基于多任务学习的遥感影像地物变化检测方法，用以克服现有技术中因地物变化检测的精度依赖于地物分类的精度导致得误差累计的问题。本发明采用多任务学习地物变化检测模型，包括：两条语义分割模型分支与一条变化检测  全部
背景技术：
监测特定区域的地物变化检测技术目前已经广泛应用到土地勘测、违章建设监 测、自然灾害估计等各类应用中，尤其是可以及时发现在规划区范围之外的违章建设。传统 的地物变化检测技术主要是通过灰度匹配和差值变化检测算法，将已经进行地物配准和几 何校正的同一地区不同时刻的遥感影像进行直方图匹配，以保证两幅影像的灰度一致性， 之后再采用差值法提取灰度变化剧烈的区域作为地物变化区域；这种方法存在检测精度不 高，易受天气、光照等外部因素影响的问题，且还需要人为设定阈值，得到的结果也只是变 化和未变化两类结果，不能对遥感图像进行分类，无法得到不同地物的变化检测图像。 另一种常见的地物变化检测方法是先分类后比较法，首先会采用超像素分割或像 素级别的语义分割对同一地区不同时刻的遥感影像进行地物分类，得到两张语义分割结果 之后进行逐像素比对，针对不同的地物类型构造差异图像，最后结果不一致的像素区域被 认为是变化区域；该方法的优点在于能够得到不同地物的变化检测图像，但是这种方法存 在误差累计的问题，即地物变化检测的精度依赖于地物分类的精度。
技术实现要素：
本发明的目的在于针对上述现有技术中因地物变化检测的精度依赖于地物分类 的精度导致得误差累计的问题，提出了一种基于多任务学习的遥感影像地物变化检测方 法，不仅能够得到地物变化检测图像，还能够得到地物发生变化前后的地物类型，并且有效 防止误差累计的问题，从而显著提升变化检测精度，具有广泛的适用范围。 为实现上述目的，本发明采用的技术方案如下： 基于多任务学习的高分辨率遥感影像地物变化检测方法，其特征在于，包括以下 步骤： 步骤1、遥感影像数据预处理； 步骤1-1、针对同一地理区域、不同时刻下的原始遥感图像进行数据标定和裁剪， 得到像素配准的成对遥感图像； 步骤1-2、将成对遥感图像中的两幅遥感图像分别进行逐像素标注，标注后的数据 存储在相同尺寸的单通道标签图像中、得到每幅遥感图像的语义标签图像； 步骤1-3、将成对遥感图像中的两幅遥感图像对应的语义标签图像进行逐像素比 对，若前后标签不一致则视为变化区域、记作1，否则视为非变化区域、记作0，将结果存储在 相同尺寸大小的单通道标签图像中、得到成对遥感图像的变化标签图像； 4 CN 111582043 A 说　明　书 2/5 页 步骤2、构建及训练语义分割模型； 步骤2-1、构建语义分割模型，包括：特征提取模块、ASPP模块和上采样模块，其中， 特征提取模块采用ResNext50特征提取网络，单幅遥感影像输入特征提取模块，得到初步特 征图，初步特征图通过ASPP模块和上采样模块得到语义分割结果图； 步骤2-2、训练语义分割模型： 采用步骤1中单幅遥感图像与其对应的语义标签图构建语义分隔模型训练集；将 单幅遥感图像的语义分割结果图与其对应语义标签图逐像素计算多分类交叉熵损失，采用 梯度下降和反向传播算法对全模型进行迭代训练，得到训练完成的语义分割模型； 步骤3、构建及训练变化检测模型； 步骤3-1、构建变化检测模型，包括：特征提取模块、ASPP模块和上采样模块，其中， 所述特征提取模块采用步骤2训练完成的语义分割模型中的ResNext50特征提取网络，并冻 结网络参数；成对遥感图像输入特征提取模块，得到两张初始特征图，两张初始特征图通过 差值法得到差值特征图，差值特征图通过ASPP模块和上采样模块之后得到变化检测结果 图； 步骤3-2、训练变化检测模型： 采用步骤1中成对遥感图像及其对应的变化标签图构建变化检测模型训练集；将 成对遥感图像的变化检测结果图与其对应变化标签图求取二分类交叉熵损失，采用梯度下 降和反向传播算法对ASPP模块进行迭代训练，得到训练完成的变化检测模型； 步骤4、构建及训练多任务学习地物变化检测模型； 步骤4-1、构建多任务学习地物变化检测模型，包括：两条语义分割模型分支与一 条变化检测模型分支；其中，三条分支共享特征提取模块、所述特征提取模块与步骤2及步 骤3中特征提取模块相同，所述语义分割模型分支的ASPP模块和上采样模块与步骤2中训练 完成的语义分割模型中的ASPP模块和上采样模块相同，所述变化检测模型分支的ASPP模块 和上采样模块与步骤3中训练完成的变化检测模型中的ASPP模块和上采样模块相同；成对 遥感图像输入特征提取模块得到两张初始特征图，两张初始特征图分别通过两条语义分割 模型分支得到两张语义分割结果图、同时两张初始特征图通过差值法得到差值特征图，差 值特征图通过变化检测模型分支得到变化检测结果图； 步骤4-2、训练多任务学习地物变化检测模型： 采用步骤1中成对遥感图像及其对应的语义标签图与变化标签图构建多任务学习 地物变化检测模型训练集；将成对遥感图像的两张语义分割结果图与对应语义分割标签图 分别求取多分类交叉熵损失，将成对遥感图像的变化检测结果图与对应变化检测标签图求 取二分类交叉熵损失，将三个交叉熵损失进行等权重相加，并基于梯度下降和反向传播算 法对全网络进行迭代训练，得到训练完成的多任务学习地物变化检测模型； 步骤5、基于步骤4训练完成的多任务学习地物变化检测模型进行高分辨率遥感影 像地物变化检测。 进一步的，所述语义标签图像中，0灰度表示背景，1～6灰度分别表示建筑物、耕 地、水体、道路、森林、草地6类地物类型。 本发明的有益效果在于： 首先，本发明通过分割网络构建遥感图像语义分割模型，该模型的特征提取模块 5 CN 111582043 A 说　明　书 3/5 页 能够有效的提取遥感图像的特征，接着构建孪生网络来训练地物变化检测模型，通过共享 权重，将两张高分遥感影像映射到新的特征空间，并且构建多任务学习机制，通过语义分割 模型来获得变化前后的地物分类结果，结合变化区域能得到所有地物种类的变化检测结 果；在本发明中，地物变化检测的精度不完全依赖于地物语义分割的精度，且训练出的端到 端地物变化检测模型，能有效避免误差累计； 其次，本发明采用DeepLabV3网络结构应用到遥感图像地物变化检测当中，其中的 AS  PP层能够对遥感影像中不同尺寸的地物特征进行多尺度信息融合，空洞卷积能够解决 大尺度遥感图像感受野不足的问题，骨干网络采用的Resnext50结构也保证了遥感图像变 化检测任务的健壮性和高效的运行速率；同时，变化检测模型和语义分割模型的参数共享 机制也能有效加速网络运算和降低参数冗余； 综上所述，本发明提出了一种基于多任务学习的遥感影像地物变化检测方法，综 合了地物变化检测任务和语义分割任务，既能够确定地物变化检测区域，又能够得到不同 地物的变化检测结果和区域变化前后的地物类型，同时也避免了误差累计的问题，提高了 变化检测的精度；并且采用的参数共享机制和加速策略也能保证方法的运行速度。 附图说明 图1为本发明基于多任务学习的高分辨率遥感影像地物变化检测方法的流程设计 图。 图2为本发明依据的全卷积分割网络设计图。 图3为本发明依据的单任务地物变化检测网络设计图。 图4为本发明设计的多任务学习地物变化检测网络设计图。