不知不覺，深度學習已經改變了傳統方法的研究路線，大家一窩蜂的研究這個方法了，事實證明，這個方法，確實是目前最有效的視覺方法。。。雖然有點，就不說了！
利用深度學習進行遙感影像全自動變化檢測，這兩年飛速發展，精度與效率已經遠超傳統方法，但是真正將深度學習方法用到實際生產工作，幾乎少有人做，目前在做的幾個單位，無非就是中科院遙感所，自然資源部國土衛星中心，武漢大學等等。我自己也是這里面的一個，把深度學習方法真正落到實際生產作業中，根據一線作業人員的反饋，雖然不能100%准確，但是可以節省大部分人工工作量了，我還是很欣慰的，靠人工去自動勾變化圖斑，量大，人累。做了這么些工作，用一句話可以概括，“科技是第一生產力！”
下面我以兩期多時相影像，利用深度學習方法做的全自動變化監測，並最終輸出變化圖斑，整個技術流程簡單介紹一下:
圖 實驗區域與檢測結果（黃色為自動檢測出的變化圖斑，藍色為訓練樣本）
更多的局部圖斑細節：
圖 道路區域變化監測結果
圖 林地變化提取結果
圖 建築物變化提取結果
唉，再次吐槽一下博客園的編輯系統，實在是太差了，編輯太不方便了，而且美觀性也不行。。。算了。我是隨意選取的幾種變化檢測提取結果，從這個
結果可以看出，基本上變化圖斑均能發現，但是邊界並不十分完美，因此后面需要人工進行邊界修正等，還有一些偽圖斑刪除，如下面的雲覆蓋區域，誤識別
成變化圖斑，因此需要后期刪除：
圖 偽變化圖斑情況
看完了結果，下面我說一下這個技術流程，總得來說分為以下幾個思路：
1. 影像預處理。如何大規模鑲嵌影像數據集，這是一個關鍵技術問題，我這里是調用的arcgis鑲嵌工具，效率較低，對於上百景影像則會效率很低，不知道大家有沒有
什么好的方法，可以一起討論討論；
2.分塊處理。深度學習方法輸入一般是規則的整數塊，如1000*1000等，這個可以用GPU計算解決。
3.柵格矢量化，平滑。這個可以調用一些開源工具集解決，但是我自己是用的自己開發的平滑算法，效果就是上面大家看到的了，視覺上還是不錯的。
關於我用的模型，我這里貼出來，給大家看一下關鍵部分：
圖 深度模型關鍵部分
我這里是改進的一個輕量級語義分割算法，用了四層並聯的空洞卷積，加上一個平均池化層，最后用cat方式融合多特征，所有卷積全部采用可分離卷積，
這個好處，就是訓練很快，參數極少，我的參數量一起是32MB，比較小了，在很差的筆記本上cpu計算都可以。
我們再來測試一下，大規模場景如何，我選擇深圳作為測試區域，樣本大概選了20個左右，全為336*336大小，技巧上采用通用的tricks就差不多了，
我們來看看效果：
總共發現了2688個變化，我肉眼對比了下，基本上搞出了變化，結果還是非常不錯的。。。
在圖像預處理方面，輸入均為525*525大小，好吧，先寫到這里，如果大家需要我的全套代碼，請聯系qq1044625113，加時請備注：深度變化檢測。