使用随季节变化的遥感图像进行变化检测的渐进域自适应,Remote Sensing

人工智能技术的发展促使人们进行了大量有关改进变更检测方法性能的研究。现有的深度学习驱动方法通常将变化视为特定类型的土地覆盖，并尝试依靠神经网络强大的表达能力来识别变化。然而，实际上，不同类型的土地覆盖变化通常在不同程度上受到环境因素的影响。此外，季节变化引起的光谱差异严重干扰了不同土地覆被类型的真实变化。所有这些问题都对季节变化检测提出了很大的挑战，因为实际和季节性变化引起的变化在技术上很难通过单个端到端模型来区分。在本文中，通过将卷积长短期记忆（ConvLSTM）网络嵌入到条件生成对抗网络（cGAN）中，我们开发了一种名为渐进域自适应（PDA）的新方法，用于使用随季节变化的遥感图像进行变化检测。在我们的想法中，引入了两个级联模块，即渐进式翻译和群体辨别，以将事件前的图像从其自己的域逐步转换为事件后的图像，在这些域中，它们的季节性特征是一致的，并且保留了它们固有的土地覆盖分布特征。通过用一定的参考变化图训练该混合多模型框架，可以有效地抑制配对图像之间因季节变化而引起的变化，同时也要强调自然和人为活动引起的变化。

"点击查看英文标题和摘要"

相关知识

黄花植被检测光谱指数的开发,Remote Sensing
Applications of unmanned aerial vehicles remote sensing technology in landscape ecology
长沙市热岛效应时空特征变化研究
Cotton pest monitoring based on Logistic algorithm and remote sensing image
融合多源遥感数据的高分辨率城市植被覆盖度估算
植被物候参数遥感提取与验证方法研究进展
Estimating the Spartina alterniflora fractional vegetation cover using high spatial resolution remote sensing in a coastal wetland
城市植被遥感分类研究进展与展望
Review of Remote Sensing Monitoring of Crop Pests and Diseases
作物病虫害高光谱遥感进展与展望

网址: 使用随季节变化的遥感图像进行变化检测的渐进域自适应,Remote Sensing https://www.huajiangbk.com/newsview733087.html