一.應用概述
遙感影像智能解譯平臺（以下簡稱“EV-Raster AI平臺”）以EV-Brain算法服務為核心，集成多類人工智能算法，為遙感影像數據識別提供可視化操作界面。變化檢測服務是通過深度學習算法對不同時段、同一區域的遙感影像分析識別其目標或現象狀態的變化。基于遙感影像變化檢測的應用方向主要包括土地利用、房屋違建、地質災害、生態環境、森林防護和農田變化等監測領域。
深度學習變化檢測示意圖
深度學習變化檢測主要流程可分為數據準備、深度學習變化檢測模型推理、數據后處理三個過程部分，其中深度學習算法是流程的核心，EV-Raster AI平臺采用BIT（Bitemporal Image Transformer）深度學習框架，應用于多種建筑變化場景。
二.技術方法
EV-Raster AI平臺變化檢測服務分為三部分：數據預處理、算法推理、數據后處理，具體流程如下：
變化檢測服務整體流程圖
BIT網絡框架是基于Transformers設計的用于遙感圖像變化檢測的網絡模型，該網絡模型框架主要分為三個模塊。CNN主干網絡(ResNet)負責提取高級語義特征；BIT模塊負責重構深度特征以獲得更多的像素級特征以及上下文信息；預測頭（Prediction Head）負責生成像素級的預測結果。整體框架充分利用了卷積和注意力機制的優點。
BIT模型框架示意圖
在數據預處理部分，EV-Raster AI平臺首先對原始數據的三個通道進行排序，將重排序所得的數據與原始數據用于訓練模型。其次，因光學遙感數據具有空間范圍大的特點，為獲得更大的前景目標，將預處理后的數據進行裁剪。同時，為了保證被裁剪建筑物的完整性，采用滑窗重疊像素的方式裁剪數據。另外，常規的數據增強方法，如對稱、隨機旋轉、數據洗牌操作也用于數據預處理部分。
在網絡模型方面，為了提高訓練模型的精度，EV-Raster AI平臺利用通道排序后的數據訓練基礎模型，并在該模型的基礎上利用未經通道排序的原始數據微調網絡（fine-tuning）。
在提取語義特征時，使用Resnet網絡并調整網絡深度，解決了建筑變化在訓練過程中收斂不穩定問題，再將基礎卷積模塊用不同大小卷積核的空洞卷積替換，以擴大感受野，充分利用像素上下文信息，最終使檢測準確度獲得一定程度的提高。
三.模型應用
經過對實驗數據集的訓練與測試，建筑變化預測效果如圖所示。藍色表示相比前一時相所增加的建筑，紅色表示減少的建筑，白色表示所有變化的建筑。結合F1-score以及預測結果判讀，可以看出本識別算法在建筑數據集的增加檢測方面性能良好，在減少檢測方面還有較大的提升空間。
預測結果示例
通過相關實驗測試，上述變化檢測方法能夠相對準確地判斷出遙感圖像中建筑的變化情況，但在建筑的增加變化和減少變化檢測方面仍有較大的改進空間。未來，我們會對變化檢測的細分情況進行進一步研究，以實現精度更高、信息更豐富的遙感變化檢測。
