使用卷积神经网络和模拟样本从大规模航空影像中进行建筑实例变化检测_实例级变化检测

原名：Building Instance Change Detection from Large-Scale Aerial Images using Convolutional Neural Network and Simulated Samples

下载地址：https://www.mdpi.com/2072-4292/11/11/1343/htm

 

一、技术路线图

使用基于对象的实例分割Mask R-CNN和基于像素的语义分割MS-FCN进行建筑物提取，再以提取的结果作为地面建筑物输入unet进行变检。

二、创新点及小技巧

1、创新

（1）MS-FCN模型

将unet模型各层结果都上采样到最后输出同等大小而后进行卷积操作获得最后的输出。

（2）无需提供真实变检建筑物样本

2、小技巧

（1）预测时采用切割大图成小块，预测后50%区域边缘移除，后缝成无缝的大图像以进行评估。该策略有效地避免了特别影响对象实例检测方法（如Mask R-CNN）的边缘效应。

（2）小于500像素（对应于地面4.8×4.8 m 2）的建筑物被认为是错误的检测在变检前删除

三、深度学习数据集及精度评价

1、预训练模型

SC-2016中的5200个图块用作训练集，将200个图块用作验证集，将TA-2016用作测试集。

（1）Mask R-CNN，该模型在开源COCO数据集上进行预训练；

（2）MS-FCN，初始权重参数

2、实验训练

将SC-2011中的1900和165个图块分别用作训练集和验证集，而TA-2011被用作测试集

3、精度

对于TA-2011和TA-2016，Mask R-CNN的平均精度（AP）分别比MS-FCN高0.06和0.001，交并比（IoU）分别比MS-FCN低0.002和0.023，这表明Mask R-CNN CNN可以提供更好的对象级建筑物提取，但是对于像素级建筑物分类，MS-FCN的性能稍好。

它在对象（建筑实例）级别达到了63％的平均精度（AP）