[发明专利]一种基于CutMix-ResNet的半监督建筑物变化检测方法及系统

说明书

本发明公开了一种基于CutMix‑ResNet的半监督建筑物变化检测方法及系统，将遥感数据集划分为有标签训练数据集和无标签测试数据集；将训练数据集进行数据预处理；利用训练数据集进行CutMix得到的增强数据集训练区域级老师模型和样本级老师模型；利用两个老师模型以及少量有标签数据集共同训练学生模型。本发明采用CutMix技术对原始标签数据集进行数据增强，并对两个老师模型各自的自监督损失和相互的交叉伪监督损失进行优化，使得共同训练的学生模型更加鲁棒、完备，提高了变化检测模型的泛化性能和准确率，可用于遥感数据的变化检测。

技术领域

本发明属于变化检测技术领域，具体涉及一种基于CutMix-ResNet的半监督建筑物变化检测方法及系统。

背景技术

随着我国城镇化的加速发展，城镇化和建设用地的规模都在不断扩大，对于建筑用地的土地普查也变得愈发重要。但随着我国经济的不断发展，大量使用人力资源进行普查的方法受限于效率低、成本高等问题，难以满足实际应用需求；所以，迅速、准确地发现地表覆盖变化信息变得至关重要。

建筑物变化检测旨在通过两幅双时相遥感数据，通过多种图像处理和模式识别方法提取建筑物变化信息，并定量的分析地表建筑物变化的特征与过程。其通过数字图像处理技术，对多时相的遥感影像，提取出地物发生变化的像元并赋予变化标签，提供地物的空间分布及其变化的定性与定量信息。

但是其受限于有标记样本数量较少，要检测的无标记样本数量远远大于有标记样本数量的问题。另外，传统的基于全卷积神经网络(FNN)的变化检测方法准确率较低，检测效率较差，无法对图像中的变化图斑信息进行高效识别，以提高空间信息网络建设中遥感数据快速变化识别能力。

基于半监督学习的变化检测，需要基于双时相的数据，只通过少量样本就可以完成神经网络模型的训练。一般的基于半监督的变化检测所使用的网络是全卷积神经网络(FNN)，但是FNN在训练时会遇到两个问题：

(1)一般的FNN结构较浅，如图1所示，无法有效提取深层的图像信息，导致检测效果较差；且随着前向传播的进行前面的信号信息丢失的越来越多，所以最后提取的特征并不完整。

(2)FNN检测变化点的感受野较为宽泛，泛化能力低，鲁棒性较差。基于FNN的检测方式虽然可以并行执行，但是无法捕捉局部变化特征。

以上原因致使变化检测存在着对局部变化信息提取不完全的问题，泛化能力低下的问题也一直未能得到有效的解决。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于CutMix-ResNet的半监督建筑物变化检测方法及系统，使用基于ResNet的老师-学生(teacher-student)模型以及CutMix技术对地表建筑物的变化进行判断，提高了变化检测模型的泛化性能和准确率，解决现有深度学习变化检测技术需要大量监督信息但受限于人力标注成本过高的问题。

本发明采用以下技术方案：

一种基于CutMix-ResNet的半监督建筑物变化检测方法，包括以下步骤：

S1、通过遥感卫星对同一地段的不同时相，采集三通道RGB遥感数据，对三通道RGB遥感数据每个通道进行数据归一化预处理，得到遥感双时像数据；

S2、将步骤S1得到的遥感双时像数据划分为有标签训练数据集x_train和有标签验证数据集x_val；

S3、将步骤S1得到的遥感双时像数据进行CutMix操作，得到增强数据，构建基于CutMix-ResNet的半监督建筑物变化检测区域级老师模型M_RL和样本级老师模型M_SL；