企业官网建设流程全解析

php与mysql网站开发全接触,网站 国外空间不需要icp许可证吗,建站saas,长春网站建设开发的有哪些ABSTRACT 利用超高分辨率多时相遥感#xff08;RS#xff09;影像进行建筑物变化检测#xff0c;有助于深入理解城市化进程和人类活动#xff0c;从而为城市规划、资源配置和基础设施建设提供科学决策依据。然而#xff0c;现有的建筑物变化检测#xff08;Building Cha…ABSTRACT利用超高分辨率多时相遥感RS影像进行建筑物变化检测有助于深入理解城市化进程和人类活动从而为城市规划、资源配置和基础设施建设提供科学决策依据。然而现有的建筑物变化检测Building Change DetectionBCD方法通常忽视了遥感影像中存在的关键不确定性现象。这些不确定性主要来源于两个方面首先现有建筑物变化检测数据集的设计目标主要是检测建筑物变化而其他地物类别的变化往往被统一标注为未变化的背景。由于人工标注过程的局限性与建筑物外观相似的背景要素如道路和桥梁极易被误标为建筑物变化从而在数据层面引入了偶然不确定性aleatoric uncertainty。其次建筑物局部变化在不改变其语义含义的情况下却会影响其外观、纹理或风格这类变化被称为伪变化pseudo-changes再加上变化样本与未变化样本之间的类别不平衡问题共同在模型层面引入了认知不确定性epistemic uncertainty。针对上述问题本文提出了一种不确定性感知的建筑物变化检测框架Uncertainty-Aware BCDUA-BCD。具体而言我们首先采用孪生金字塔视觉Transformer从双时相影像中提取多层次特征并通过通用解码器生成具有内在不确定性的粗略变化图。随后引入偶然不确定性估计模块对偶然不确定性进行估计并将其嵌入特征空间中。接着提出一种知识引导的特征增强模块利用粗略变化图中蕴含的先验知识对多层次特征进行增强从而生成精细化的变化图。最后我们设计了一种认知不确定性估计器其以双时相影像和精细变化图为输入输出认知不确定性的估计结果。该估计过程通过精细变化图计算得到的熵进行监督从而保证UA-BCD框架能够生成具有更低认知不确定性的变化检测结果。为全面验证UA-BCD框架的有效性本文采用了双视角验证策略。在五个公开建筑物变化检测数据集上的大量实验结果表明所提出的方法相较于当前最先进的方法具有显著优势。此外在中国武汉市东西湖区的大尺度应用实验进一步验证了该方法在大范围建筑物变化检测任务中的卓越性能。项目的源代码已公开地址为https://github.com/Henryjiepanli/UA-BCD。1. Introduction随着超高分辨率Very High ResolutionVHR遥感Remote SensingRS影像获取能力的不断提升Huang et al., 2024在特定区域内对地表变化进行精确探测已成为可能从而在多个领域催生了广泛的应用前景。建筑物作为城市环境中最基本的人造结构在城市发展与社会进步中发挥着关键作用Li et al., 2023。基于多时相遥感影像对建筑物变化进行准确探测与持续监测对于科学的城市规划Chen et al., 2024、全面的环境监测Zhang et al., 2017、及时的灾害评估Gupta et al., 2019乃至应急响应策略的优化Zheng et al., 2021都具有重要意义。此外这种高精度的变化检测能力还有助于监管和识别违法建筑活动Suresh and Jain, 2013评估相关政策调整所带来的影响并为实现可持续发展目标提供有力支撑。因此充分利用VHR遥感影像开展建筑物变化检测Building Change DetectionBCD代表着向智能化、韧性化城市管理与治理实践迈出的重要一步。在过去的几十年中变化检测Change DetectionCD领域的研究随着大量方法的提出而取得了显著进展。最初研究者主要采用多种传统技术来应对这一复杂任务。人工解译方法Schwert et al., 2013由于依赖专家经验和专业知识具有较高的可靠性但同时也存在耗时长、劳动强度大的问题Li et al., 2022b, 2024c。随后一系列代数运算与变换方法被引入作为替代方案。例如影像差分Quarmby and Cushnie, 1989、影像回归Ludeke et al., 1990、影像比值Rignot and Van Zyl, 1993以及变化向量分析Change Vector AnalysisCVAChen et al., 2003等技术被提出用于从双时相数据中有效识别变化区域。与此同时数据降维方法在抑制输入影像中相关信息、突出差异特征方面发挥了重要作用。主成分分析Principal Component AnalysisPCAFung and LeDrew, 1987Nielsen and Canty, 2008、缨帽变换Tasseled Cap TransformationKTHan et al., 2007、多变量变化检测Multivariate Alteration DetectionMADNielsen et al., 1998、Gram–SchmidtGS变换Rosa et al., 2015以及卡方检验chi-squareVázquez-Jiménez et al., 2017等方法为提升变化检测精度提供了有力支撑。此外对比分类Hasanlou and Seydi, 2018、多重分类Im and Jensen, 2005以及直接分类Lu et al., 2004等策略也被广泛应用这些方法从不同角度改进了变化检测流程。然而上述传统方法在应对大气条件变化、季节性差异、卫星传感器不一致性以及太阳高度角变化等复杂因素时往往表现不足Han et al., 2023a。因此亟需发展更加鲁棒和自适应的变化检测技术以克服这些固有局限。得益于计算机视觉技术的快速发展变化检测CD的研究重心逐渐转向深度学习Deep LearningDL方法。其中卷积神经网络Convolutional Neural NetworksCNNsKrizhevsky et al., 2012作为代表性技术显著提升了变化检测的精度与效率。随后全卷积网络Fully Convolutional NetworkFCNLong et al., 2015的提出更是推动了该领域的变革其创新性的编码器–解码器结构为像素级变化检测提供了有效框架。目前基于FCN的变化检测方法大体可分为两类主流范式单流结构和双流结构。单流变化检测方法通常采用早期融合策略将双时相的VHR影像直接进行融合并输入标准的FCN网络以获得最终的变化检测结果。例如Peng 等2019将不同时相的影像直接拼接并利用改进的 UNetZhou et al., 2018生成最终的变化图。然而这种单流框架容易在信息层面产生混淆可能导致双时相影像之间的关键信息在融合过程中被削弱甚至丢失Zhang et al., 2020a。与单流变化检测方法相比双流策略通常首先采用孪生编码器Siamese encoder对双时相影像进行特征提取Li et al., 2022aCheng et al., 2024。随后通过多种解码策略对来自两条分支的编码特征进行有效融合与聚合从而生成高精度的变化检测图。在孪生编码器的设计方面一部分研究工作直接采用在大规模 ImageNet 数据集Deng et al., 2009上预训练的主干网络包括经典的 VGGSimonyan and Zisserman, 2014、ResNetHe et al., 2016、ResNeXtXie et al., 2017、Res2NetGao et al., 2019以及基于 Transformer 的网络结构如 Swin TransformerLiu et al., 2021和金字塔视觉 TransformerPyramid Vision TransformerPVTWang et al., 2021a。此外也有研究针对特定任务需求设计了专用的编码器结构。例如Chen 等2022b提出了一种全卷积孪生网络用于提取多尺度特征Lin 等2022则将变化检测视为一个视频理解问题分别构建了空间编码器和时间编码器以捕获空间与时间维度上的关键信息。在解码策略方面研究重点在于如何从双流编码器中充分挖掘变化感知信息并生成更加精确可靠的变化检测结果。例如Shu 等2022通过在差异感知特征中综合考虑每个像素与其上下文像素之间的关系与相似性强调了变化区域的整体一致性。Liu 等2023利用注意力机制和 Transformer 模块对双时相影像中的上下文信息进行建模并引入特征交换机制以弥合不同时相影像域之间的差异。Ding 等2022将时间语义特征融入深度变化检测单元中使模型能够对双时相语义相关性进行推理从而实现高精度的变化检测结果。总体而言解码策略的持续改进凸显了从特征层面有效提取并聚合变化感知信息对于实现高精度变化检测的重要性。这些研究进展表明变化检测技术正朝着更加鲁棒和精细化的方向不断发展。近年来不确定性理论在计算机视觉领域得到了广泛研究尤其是在自然图像和多模态图像的分割与检测任务中Fang et al., 2023Zhang et al., 2023Yang et al., 2021Baumgartner et al., 2019Zhang et al., 2020b。通常不确定性可分为两类偶然不确定性aleatoric uncertainty其来源于数据本身固有的噪声与随机性以及认知不确定性epistemic uncertainty主要源于模型能力受限或知识不完备。这类方法往往借助贝叶斯推断和生成对抗网络GAN等技术对数据层面和模型层面的不确定性进行建模。在遥感RS领域类似的不确定性建模思想也已得到应用例如利用贝叶斯网络进行高光谱影像处理Alcolea and Resano, 2022以及面向建筑物提取的不确定性感知方法Li et al., 2024a。然而在变化检测CD领域现有关于不确定性的研究主要集中在以下两个问题上1变化区域与未变化区域之间的类别不平衡2目标边界识别困难即与边缘相关的不确定性往往会削弱模型性能。例如Xu 等2024提出了一种动态自适应的焦点损失函数以缓解类别不平衡问题Wang 等2021b则设计了增强型焦点对比损失来应对类似挑战。此外Yin 等2023提出了一种注意力引导的注意力网络用于提升边界定位精度并减少边缘区域和小目标附近的不确定性。相比之下本文从更全面的角度对变化检测中的不确定性进行了系统性探讨与分类为该领域的不确定性建模提供了更深入的分析框架。首先现有的建筑物变化检测BCD数据集主要以建筑物变化为核心设计目标而其他地物类别的变化通常被统一标注为未变化的背景。例如LEVIR-CD 数据集Chen and Shi, 2020a在标注过程中可能忽略诸如“道路转变为桥梁”这类地物转换并将其视为背景变化见图 1。由于标注过程依赖人工操作与建筑物外观相似的背景要素如道路和桥梁极易被误标为建筑物变化。这类标注误差在数据层面引入了显著的偶然不确定性aleatoric uncertainty从而加大了模型训练与推理阶段的难度。其次建筑物变化检测任务还受到伪变化pseudo-changes见图 1的影响即建筑物在外观、纹理或风格上的变化并不对应真实的语义变化。再加上地物分布的复杂性以及变化样本与未变化样本之间严重的类别不平衡这些因素在面对困难样本时会共同导致较高的模型层面认知不确定性epistemic uncertainty。为应对上述挑战本文提出了一种不确定性感知建筑物变化检测框架Uncertainty-Aware BCDUA-BCD。该方法首先采用孪生金字塔视觉 TransformerSiamese PVTWang et al., 2022作为编码器从双时相影像中提取并聚合多层次特征随后通过通用解码策略生成初始的粗略变化检测图同时获得其对应的不确定性信息。针对数据层面的偶然不确定性本文设计了偶然不确定性估计模块Aleatoric Uncertainty Estimation ModuleAUEM。该模块基于条件变分自编码器Conditional Variational AutoencoderCVAE技术对噪声的先验分布与后验分布之间的一致性进行精确建模与约束从而实现对数据层面偶然不确定性的有效量化。进一步地为增强多层次特征的表达能力我们将估计得到的偶然不确定性嵌入特征空间并引入知识引导特征增强模块Knowledge-Guided Feature Enhancement ModuleKGFEM利用粗略变化检测图中蕴含的先验知识对变化区域与未变化区域进行有效区分。经增强后的特征随后被解码生成精细化的变化检测结果。最后本文设计了认知不确定性估计器Epistemic Uncertainty EstimatorEUE其以拼接后的双时相影像及精细变化检测图为输入对模型层面的认知不确定性进行估计。在由精细变化检测图计算得到的熵值监督下UA-BCD 能够生成具有更低认知不确定性的变化检测结果从而体现出模型预测结果更高的可靠性与置信度。本文的主要贡献概括如下不确定性建模引入 BCD 任务首次系统性地将不确定性概念引入建筑物变化检测BCD任务中针对遥感场景下的关键挑战提出了一种不确定性感知建筑物变化检测网络Uncertainty-Aware BCDUA-BCD。提出三种创新模块设计了三种关键模块包括用于建模数据层面不确定性的偶然不确定性估计模块AUEM利用粗略变化图先验信息增强特征表达的知识引导特征增强模块KGFEM以及用于刻画模型层面不确定性的认知不确定性估计器EUE。充分实验验证与大尺度应用评估在五个公开建筑物变化检测数据集上开展了大量实验系统验证了 UA-BCD 网络的有效性此外以中国武汉市东西湖区为研究区域开展了跨 5 年时间跨度2014–2024的建筑物变化检测应用研究进一步评估了该方法在大尺度实际场景中的应用潜力。2. Methodology2.1. Overview为解决建筑物变化检测BCD中固有的不确定性问题本文提出了一种UA-BCD 框架。在该框架中训练数据集由三元组 ((A, B, Y)) 构成其中 (A) 表示变化前影像(B) 表示变化后影像(Y) 表示对应的变化标注。如图 2 所示整体流程可划分为四个阶段。首先采用通用解码策略生成初始的粗略变化检测图但该结果通常伴随着较高的不确定性。其次引入偶然不确定性估计模块AUEM对数据层面的偶然不确定性进行量化建模。第三将估计得到的偶然不确定性嵌入特征空间并提出知识引导特征增强模块KGFEM以增强聚合后的多层次特征表达能力从而输出精细化的变化检测图。最后设计一个独立的认知不确定性估计器EUE在由精细变化检测图计算得到的熵值监督下对模型层面的认知不确定性进行估计。借助 EUEUA-BCD 框架能够生成具有更低认知不确定性的变化检测结果从而体现出更高的预测置信度。下文将对上述四个阶段分别进行详细说明。2.2. Coarse change map generation考虑到RS图像的复杂性和上下文的细微差别配备自注意力机制的Transformer架构擅长捕获全局依赖关系在该领域中往往优于CNN。因此我们使用PVT - 2 - b2( Wang et al , 2022)作为我们的特征提取器从变化前和变化后的图像中独立编码多层特征。这个过程表述如下2.3. Aleatoric uncertainty estimation module其中zzz 表示偶然不确定性来自先验分布和后验分布的潜变量分别记为 zprior 和 zpost。后验分布在真实变化标注的引导下有助于模型学习数据层面的偶然不确定性。在推理阶段仅利用先验网络所估计的偶然不确定性并结合后续模块即可生成精细化的变化检测结果从而在不依赖标注信息的情况下有效缓解数据层面的不确定性影响。2.4. Refined change map generation2.5. Epistemic uncertainty estimation