第5章 总结与展望
5.1 全文总结
本文对基于深度学习的遥感影像变化检测任务展开了研究，对现有的变化检测方法进行了分析和总结，并针对目前存在的变化检测精度不足和拥有高质量标注的数据集少且数据量少的问题展开了研究，论文的创新点及主要完成内容如下：
（1）针对遥感影像语义变化检测准确率低的问题提出了改进的孪生HRNet网络
遥感影像语义变化检测的目的在于获取双时影像对中变化区域的位置及其具体变化类别。目前基于深度学习的遥感影像变化检测方法大都是基于单语义分割思路设计的，往往存在变化检测结果准确率低、局部地区存在误检、漏检和孔洞现象等问题。基于此，本文提出了改进的孪生HRNet网络，将孪生网络与HRNet网络相结合，并引入了注意力模块对网络进行改进。注意力模块的引入有效利用了像素的语义信息，使网络总体得分提高了5.3%。数据增强部分采用了伪标签数据增强，一定程度上缓解了数据不平衡的影响，使网络的总体得分提升了近1.9%。在公开的遥感影像语义变化检测数据集SECOND数据集上进行了训练和测试。首先探究了不同特征提取网络对变化检测结果的影响，然后与先进的方法进行了比较。相较于对比方法，本文所提方法总体得分提升了近6.7%，有效改善了局部地区误检、漏检和孔洞现象等问题，验证了本文所提方法的有效性。
（2）针对公开可获取的数据集数据量小且标签质量不一的问题提出了改进的基于一致性正则化的半监督遥感影像变化检测方法
遥感影像变化检测数据集的制作是一项需要耗费大量时间和人力的工作，且需要具备该领域知识的专业人员参与。针对现公开可获取的变化检测数据集少、数据量小及标签质量不一的问题，探索基于半监督的变化检测方法。本文提出了一种基于一致性正则化的半监督遥感影像变化检测方法，有效利用了无标签双时影像对中的信息来提升方法性能。首先，介绍了半监督学习中的聚类假设，及其在变化检测任务中仍然成立。然后，按照特征提取到隐藏特征差提取再到上采样获得预测结果的思想设计网络模型。该方法仍然采用孪生网络架构；选择性能对标Swin-Transform的卷积神经网络模型ConvNeXt作为特征提取网络；
参考文献（略）
