毕业设计-基于BIT的双时相遥感影像变化检测（Python开发）
点我下载文件
论文目录
压缩包目录
毕业设计
内容摘要（主要应解决的问题、难点）：
掌握国土资源利用率和土地覆盖类型，是地理国情普查与监测的重要内容。高效获取准确、客观的土地利用情况，可以为国家和地方提供地理国情信息决策支撑。随着遥感、传感器技术的发展，特别是多时相高分辨率遥感影像数据的普及，使我们可以足不出户，就能掌握全球任一地表的细微变化。变化检测聚焦于建筑物的变化检测任务，即给定某地区的双时相遥感影像图像，要求获得该区域的建筑变化。
主要任务：
通过对BIT模型进行改进，并应用于求解遥感影像变化检测任务。主要的工作包括：对原数据集进行数据增强以提高训练模型的泛化能力；针对样本不平衡问题对样本进行重采样；在计算交叉熵损失的时候加入权重因子，使模型更多的关注变化样本以及难区分样本的损失；使用正交试验将不同的超参数进行组合，并将得到的结果进行极差分析，确定对模型影响最大的因素和最佳的超参数组合方案；在原来BIT的骨干网络中加入空洞卷积池化金字塔模块（ASPP）用以提取多尺度图像特征，改善模型对多尺度目标的漏检和边界粗糙问题；同时，在ResBlock中加入双注意力机制（CBAM）用以提高模型的对变化像素的关注；最后，通过将AC-BIT模型与其他的模型进行对比分析，从实验结果中可以得出AC-BIT模型的综合效果要优于其他模型。
遥感影像变化检测是指根据同一物体或现象在不同时间的观测来确定其不同的处理过程。其研究的目的是找出感兴趣的变化信息，滤除作为干扰因素的不相干的变化信息。变化检测的结果可以用于国土资源利用、土地覆盖类型监测、农作物提取和获取作物播种面积，高效获取准确、客观的土地利用情况，监测国土变化情况。随着遥感、传感器技术的发展，特别是多时相高分辨率遥感图像数据的普及，使我国遥感领域已步入了高分辨率影像的快车道，对遥感数据的分析应用服务的需求也与日俱增。传统方式对高分辨率卫星遥感图像的对特征刻画能力差且依赖人工经验工作量巨大。随着人工智能技术的兴起，特别是基于深度学习的图像识别方法获得了极大的发展，相关技术也推动了遥感领域的变革。相对于传统基于人海战术的目视解译方法，基于深度学习的遥感影像识别技术可以自动分析图像中的地物类型，在准确率和效率方面展现出极大的潜力。
本毕业设计通过对BIT模型进行改进，并应用于求解遥感影像变化检测任务。主要的工作包括：对原数据集进行数据增强以提高训练模型的泛化能力；针对样本不平衡问题对样本进行重采样；在计算交叉熵损失的时候加入权重因子，使模型更多的关注变化样本以及难区分样本的损失；使用正交试验将不同的超参数进行组合，并将得到的结果进行极差分析，确定对模型影响最大的因素和最佳的超参数组合方案；在原来BIT的骨干网络中加入空洞卷积池化金字塔模块（ASPP）用以提取多尺度图像特征，改善模型对多尺度目标的漏检和边界粗糙问题；同时，在ResBlock中加入双注意力机制（CBAM）用以提高模型的对变化像素的关注；最后，通过将AC-BIT模型与其他的模型进行对比分析，从实验结果中可以得出AC-BIT模型的综合效果要优于其他模型。
掌握国土资源利用率和土地覆盖类型，是地理国情普查与监测的重要内容。高效获取准确、客观的土地利用情况，可以为国家和地方提供地理国情信息决策支撑。随着遥感、传感器技术的发展，特别是多时相高分辨率遥感影像数据的普及，使我们可以足不出户，就能掌握全球任一地表的细微变化。变化检测聚焦于建筑物的变化检测任务，即给定某地区的双时相遥感影像图像，要求获得该区域的建筑变化。