本文是一篇工程论文，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。
第1章绪论
1.1 研究背景与意义
随着遥感技术的日趋成熟，可以使用遥感卫星对地球进行同步大面积的观测，以快速获得地表状态信息，实现对地表变化状态的监测，以及对地球资源的合理运用[1]。遥感影像变化检测技术指对同一对象，使用卫星、无人机等遥感手段对其多次进行观测，并识别其状态差异的过程。该技术现已在城市空间中的建筑分类、环境监测、土地覆盖检测、地图更新和环境保护等多个领域得到了广泛应用。
早期的遥感影像变化检测，通常需要依靠专业人员手动确定变化区域的位置及其类别，这不仅需要耗费大量的时间和人力，而且判读结果极易受到判读人员的主观影响。在传统的遥感影像变化检测方法中，特征提取通常依赖于人工设计的特征提取器。这种方法存在泛化性低、专业知识及图像先验信息依赖度高等问题，在实际场景中应用困难。随着深度学习方法在计算机视觉领域的成功，研究者们正在努力将其卓越的性能应用到遥感图像分析领域。语义分割是计算机视觉三大经典任务之一，其目的在于为每个像素标注对应的物体类别，提供精细的像素级信息，现已广泛应用于医疗图像分析、自动驾驶和地球观测等领域。遥感影像变化检测的目的在于，获得前后时期获取的一对遥感影像中每个像素对之间的差异。该任务与语义分割任务具有某种概念上一致性，所以一定程度上可将遥感影像变化检测任务视为语义分割任务。语义分割在遥感领域应用的例子包括树种类型分析、城市规划和灾害监测等。但遥感影像变化检测任务的特殊性在于其输入一般是成对影像，通过对比同一地区前后时期获取到的一对遥感影像进行数据处理和对比分析，以获得该区域的变化信息。随着深度学习的发展, 出现了一批基于语义分割思路设计的变化检测方法，并运用到了实际场景中。比如Gärtner等[2]通过对两前后两个时期获取的高分辨率遥感影像进行比较，检测出了自然植被覆盖变化的区域，为监测河岸森林植被的退化状态、检测评估濒危生态系统等方面带来了极大的帮助。Lu等[3]通过检测地震、降雨和台风引发的山体滑坡来进行灾害监测，该方法为滑坡监测和预警提供了一种高效的方法，同时也为地质灾害遥感监测提供了借鉴。
1.2 国内外研究现状
遥感影像变化检测作为遥感领域的一个的研究热点，为了快速、准确地获得变化检测结果，国内外大批相关学者针对该课题进展开了广泛而深入的研究，提出了许多用于解决变化检测问题方法，且成功应用于实际生产生活中。遥感影像变化检测方法多种多样，目前可以获得的遥感影像与日俱增，面对如此庞大的数据，传统方法无法及时对其进行处理。随着深度学习的兴起与发展，研究人员努力将其优秀的性能运用到遥感影像变化检测领域，该领域相继出现了一批基于深度学习的新方法，并被广泛应用到实际场景中。目前几乎所有的变化检测模型都是基于语义分割的思路设计的。本节将围绕遥感影像分割和变化检测的国内外研究现状展开综述。
1.2.1 遥感影像分割研究现状
遥感领域中的图像分割旨在将遥感影像划分为不同的地球表面区域并生成标记地图。常见的遥感数据类型有光学遥感数据、合成孔径雷达（Synthetic Aperture Radar，SAR）点云和三维激光雷达（light detection and ranging，LiDAR）等。其中，光学遥感数据作为该研究领域最常用的数据类型，包括由卫星、无人机和大型飞机等获得的高分辨率遥感影像，其拥有易获取、覆盖范围广的特点。现阶段针对遥感影像分割的方法主要分为传统图像分割方法和基于深度学习的方法。
1. 传统方法
传统图像分割方法只能获取图像的低级特征，然后进行区域划分，对于划分区域并没有语义标注。传统图像分割方法可以分为基于光谱的和基于空间的两大类。
基于光谱的图像分割方法也称为基于点或像素的图像分割方法，主要针对单个像素进行分析，其可以分为基于阈值分割的算法和基于特征空间聚类的算法两类。其中，基于阈值分割的算法是最古老和最常用的算法之一，它包括图像阈值化和特征空间中的分割两步。Otsu算法[4]又称为大津算法（最大类间方差法），由Otsu于1976年提出，该方法先把原图转换为灰度图像，然后使用最大化类间方差选取最佳阈值将大灰度图分成大于阈值的背景和小于阈值的目标两类。王丽丽等[5]基于Sauvola[6]局部二值化算法提取秸秆数据细节区域，再结合Otsu算法以减少秸秆区域中空问题，有效提升了秸秆覆盖检测准确率。
第2章 遥感影像变化检测与神经网络的相关理论及技术
2.1 卷积神经网络
1998年LeCun 等[53]提出的LeNet-5模型成了现代CNN的雏形，并随着后续研究人员的不断发展和完善，现已在计算机视觉、图像处理等领域得到了广泛的应用。下面重点分点介绍了CNN的主要组成部分：卷积层、池化层和全连接层。
2.1.1 卷积层
卷积层是深度神经网络中的一种基本层级，用于处理卷积神经网络中的图像或其他类型的多维数据。卷积层通过在输入数据上应用可学习的卷积核来提取特征，并生成输出特征映射。卷积层最主要的两个特点是参数共享和局部感知。其中，参数共享指卷积层的卷积核在整个输入数据上共享，这使得卷积层非常适合处理大规模的数据，同时也降低了训练所需的参数数量；局部感知（或称为稀疏连接）指卷积层中每个滤波器的参数仅连接到输入数据的一小部分区域，这可以大大减少连接数，从而减少了模型的计算负担。
卷积核：卷积核又称滤波器，它在输入数据上滑动并计算与其重叠部分的点积，从而将输入数据转换为新的特征映射。
步长：步长决定了卷积操作的移动步幅。比如当步长为1时，每次卷积操作中卷积核每次向右移动1个单位。
填充步数：当图像尺寸与卷积核尺寸不匹配时在特征图周围填充（填充值一般为0）使卷积前后图片大小一致。
单通道卷积操作如图2.1所示，将图像大小为5×5的灰度图作为输入，假设卷积核大小为3x3，步长大小为1，无填充。卷积核在输入图片中按照从左到右，从上到下的顺序滑动，在每个位置，卷积核都和输入图片的对应区域作点乘运算，直到遍历结束，得到卷积结果。
2.2 遥感影像变化检测任务类型
基于深度学习的遥感影像变化检测是由卫星或无人机对某一地区进行多次观测，对获得图像进行数据预处理，得到没有畸变且像素对齐的成对图像。对于获取到的遥感影像对，需要获得影像对中变化区域的位置，更进一步获得其变化类别。基于此，可以将遥感影像变化检测任务分为以下两类：一种是二分类的二值变化检测（Binary Change Detection，BCD）；另一种是多分类的语义变化检测（Semantic Change Detection，SCD）。本小节将简要介绍上述两种变化检测类型。
2.2.1 二值变化检测
二值变化检测只关注遥感影像中变化区域的位置，而不关心具体变化类别。变化检测已经成功地应用于各种各样实际的需求场景中，特别是在农业领域，采用变化检测技术来进行毁林监测、灾害评估和环境监测，如图2.4所示，黑色表示受火灾影响的森林覆盖变化区域。
为了能更好地解决遥感影像语义变化检测问题，本章依照语义分割的思路探索基于孪生网络的语义变化检测算法。首先，为了避免早期双时影像融合方法造成的特征混杂、难以重建变化检测结果图等问题，根据变化检测任务的特点选择了更适合衡量两个输入相似程度的孪生网络架构；然后，结合遥感影像多尺度、场景复杂和信息量大的特点，并对比其他特征提取网络后选择HRNet V2与孪生网络架构结合作为特征提取网络。同时，为了进一步提升变化检测精度，引入了增强注意力模块以充分利用像素中的语义信息来提高检测精度，还加入了伪标签数据增强，一定程度上缓解了数据集中数据不平衡带来的影响，并通过实验证明了本文提出的改进的孪生HRNet V2网络的有效性。
第3章 基于改进孪生HRNet V2的有监督遥感影像语义变化检测算法 ......................... 19
3.1 经典HRNet V2网络 ............................... 19
3.2 改进孪生HRNet V2网络架构 ............................... 21
第4章 基于一致性正则化的半监督遥感影像变化检测算法 ............................. 34
4.1 半监督学习 ....................... 34
4.2 基于一致性正则化的半监督遥感影像变化检测算法 ................... 35
第5章 总结与展望 .......................... 51
5.1 全文总结 ............................... 51
5.2 后续工作展望 ........................ 52
第4章 基于一致性正则化的半监督遥感影像变化检测算法
4.1基于一致性正则化的半监督遥感影像变化检测算法
变化检测作任务为遥感领域热门的研究问题之一，目的在于识别双时遥感影像中的相关变化。现阶段，大多数变化检测方法都是基于有监督学习的，虽有监督的方法可以获得更为精确的变化检测结果，但其数据集的获取是耗时且昂贵的，且通常存在泛化性低的问题，而无监督的方法在变化检测精度上与有监督方法差距较大。
为了解决上述提到的有监督和无监督变化检测方法存在的问题，受Bandara等[64]的启发，本章提出了一种基于一致性正则化的半监督变化检测方法。Bandara等证明了聚类假设在深度特征差异图中仍然存在，聚类假设是指变化类和无变化类之间的边界应该与低密度区
