一.应用概述

 遥感影像智能解译平台（以下简称“EV-Raster AI平台”）以EV-Brain算法服务为核心，集成多类人工智能算法，为遥感影像数据识别提供可视化操作界面。变化检测服务是通过深度学习算法对不同时段、同一区域的遥感影像分析识别其目标或现象状态的变化。基于遥感影像变化检测的应用方向主要包括土地利用、房屋违建、地质灾害、生态环境、森林防护和农田变化等监测领域。

深度学习变化检测示意图

 深度学习变化检测主要流程可分为数据准备、深度学习变化检测模型推理、数据后处理三个过程部分，其中深度学习算法是流程的核心，EV-Raster AI平台采用BIT（Bitemporal Image Transformer）深度学习框架，应用于多种建筑变化场景。

二.技术方法

 EV-Raster AI平台变化检测服务分为三部分：数据预处理、算法推理、数据后处理，具体流程如下：

变化检测服务整体流程图

 BIT网络框架是基于Transformers设计的用于遥感图像变化检测的网络模型，该网络模型框架主要分为三个模块。CNN主干网络(ResNet)负责提取高级语义特征；BIT模块负责重构深度特征以获得更多的像素级特征以及上下文信息；预测头（Prediction Head）负责生成像素级的预测结果。整体框架充分利用了卷积和注意力机制的优点。

BIT模型框架示意图

 在数据预处理部分，EV-Raster AI平台首先对原始数据的三个通道进行排序，将重排序所得的数据与原始数据用于训练模型。其次，因光学遥感数据具有空间范围大的特点，为获得更大的前景目标，将预处理后的数据进行裁剪。同时，为了保证被裁剪建筑物的完整性，采用滑窗重叠像素的方式裁剪数据。另外，常规的数据增强方法，如对称、随机旋转、数据洗牌操作也用于数据预处理部分。

 在网络模型方面，为了提高训练模型的精度，EV-Raster AI平台利用通道排序后的数据训练基础模型，并在该模型的基础上利用未经通道排序的原始数据微调网络（fine-tuning）。

 在提取语义特征时，使用Resnet网络并调整网络深度，解决了建筑变化在训练过程中收敛不稳定问题，再将基础卷积模块用不同大小卷积核的空洞卷积替换，以扩大感受野，充分利用像素上下文信息，最终使检测准确度获得一定程度的提高。

三.模型应用

 经过对实验数据集的训练与测试，建筑变化预测效果如图所示。蓝色表示相比前一时相所增加的建筑，红色表示减少的建筑，白色表示所有变化的建筑。结合F1-score以及预测结果判读，可以看出本识别算法在建筑数据集的增加检测方面性能良好，在减少检测方面还有较大的提升空间。

预测结果示例

 通过相关实验测试，上述变化检测方法能够相对准确地判断出遥感图像中建筑的变化情况，但在建筑的增加变化和减少变化检测方面仍有较大的改进空间。未来，我们会对变化检测的细分情况进行进一步研究，以实现精度更高、信息更丰富的遥感变化检测。