湖北工业大学多模态数据融合与智能决策团队在农田变化检测研究上取得重要进展

农田资源在保障粮食生产方面扮演着不可或缺的角色，而粮食的生产又是人类最基本的需求之一。对于绝大多数国家而言，确保粮食的稳产一直是至关重要的任务。然而，由于人口的增长、粮食需求的上升以及气候的变化，全球的粮食生产正面临着巨大的压力。粮食的生产不可避免地依赖于农田，然而，耕地的完整性因耕地破坏、违规建设、监管不足等多种因素受到了严重的威胁。人类与耕地之间的矛盾日益加剧，导致农田耕地质量的严重下降。

随着多传感器卫星遥感技术的不断发展，我们能够实时获取大量高时空分辨率的遥感影像。遥感影像变化检测作为遥感影像处理的一个关键分支，通过对比多幅遥感影像，能够确定目标区域的变化情况。农田变化检测技术具有重要意义，其能够对遥感卫星传感器获取的高分辨率农田资源图像进行动态监测。为了推动人类与农田环境的可持续发展，迫切需要运用变化检测技术，精准地检测并分析农田双时相影像的时间序列变化。为此，研究团队提出一种交叉注意力引导的组聚合网络（CAGNet）来实现精准的农田变化检测。

图1 所提出的CAGNet网络架构

结果表明，所提出的交叉注意力模块能够有效的识别和提取双时相影像中的多尺度特征，从而更准确地提取和表征实际变化的区域。所设计的组聚合模块采用递进策略对提取的多尺度特征进行分组，并在多个阶段进行合理融合，在每个阶段最大限度地利用提取的特征，并最大限度地减少特征融合过程中关键信息的丢失。

图2 注意力图可视化展示。蓝色表示较低的注意力水平，而红色表示较高的注意力水平

图3 农田变化检测结果展示。蓝色表示漏检，红色表示误检

农田和建筑物之间的相互转换在变化检测任务中显得尤为重要。随着城市的扩张，原本的农田可能会被用于建设住宅、商业或工业区域。这种由农田向建筑物的蜕变成为城市化过程中一种极具代表性的现象。这种转变往往折射了城市化和土地利用等社会经济活动的变迁。因此，基于知识迁移的理念，研究团队提前训练神经网络，使其从建筑变化检测数据集中学习变化特征表征，从而极大地提升了各类方法在变化检测中的性能。与此同时，所提出的CAGNet在两个公开建筑物变化检测数据集（LEVIR-CD，WHU-CD）上也展现出较高的泛化水平。

图4 建筑物变化检测结果展示。蓝色表示漏检，红色表示误检。

上述研究以“Cross-Attention Guided Group Aggregation Network for Cropland Change Detection”为题发表在JCR一区期刊IEEE Sensors Journal，湖北工业大学计算机学院徐川副教授与硕士研究生叶昭毅为该论文共同第一作者，湖北工业大学梅礼晔讲师与武昌首义学院杨威副教授为共同通信作者。该研究得到中国自然科学基金（61976234），湖北省自然科学基金（2022CFB501），广西科技重大专项（AA22068072）的资助，详情可翻阅：https://ieeexplore.ieee.org/document/10115288

文章信息：Chuan Xu, Zhaoyi Ye, Liye Mei, Sen Shen, Shaohua Sun, Ying Wang,Wei Yang. Cross-Attention Guided Group Aggregation Network for Cropland Change Detection [J]. IEEE Sensors Journal, vol. 23, no. 12, pp. 13680-13691, 15 June15, 2023, doi: 10.1109/JSEN.2023.3271391.

转自：“生态遥感前沿”微信公众号

如有侵权，请联系本站删除！