01、背景介绍

      实时、精准的建筑物变化检测对在城市规划、国土资源管理、地理信息更新等方面具有重要意义。传统的实地调查方式费时费力，数据采集周期长，难以满足现阶段实际监管要求。随着卫星遥感技术的快速发展，遥感影像呈现出高空间分辨率、高光谱分辨率和高时间分辨率 “三高”趋势，其宽幅、瞬时成像、实时传输、快速处理等特点对于迅速获取建筑物变化信息具有现实的应用价值。基于此，湖南中科星图科研部基于遥感智能解译引擎，开展智能识别建筑物变化检测研究，经过1年多努力，取得较大进展，检测精度均达到90%以上。

02、基本原理

   近年来，随着人工智能的高速发展，深度学习技术被广泛应用到计算机视觉、自然语言处理等领域，展现出了*接近人类所期望的智能效果，如刷脸支付、语音识别、智能翻译、智能辅助驾驶等等。本研究以深度卷积神经网络为基础，开展高分辨率建筑物变化检测研究，其简化后的模型框架如下图所示。

03、测试数据集

   本研究利用LEVIR-CD开放数据集（https://justchenhao.github.io/LEVIR/）进行模型训练和测试。LEVIR-CD数据集包含了两个时段的637对大小为1024×1024高分辨率（0.5 m）Google Earth 影像并进行了变化建筑物标记。为减少计算压力，本研究将原数据集影像统一裁剪为256×256大小。

04、结果展示

   选取建筑物方向和分布不一的5景影像对模型进行测试，模型总体精度（Overall Accuracy）达96.9%，F1-Score 和Kappa系数分别为93.0%和90.9%，表明模型检测的建筑物变化与实际结果具有很好的一致性。