基于FlowS-Unet的遥感图像建筑物变化检测方法是一种结合深度学习与细化结构的先进技术，旨在提高建筑物变化检测的精度和鲁棒性。
一、FlowS-Unet的核心架构与原理
FlowS-Unet是在经典U-Net网络基础上改进的模型，主要引入了超列（Hypercolumns）和FlowNet细化结构，通过多尺度特征融合与动态调整提升检测效果。其核心设计包括：
- 编码器-解码器结构：
- 编码器通过卷积和下采样提取图像的多层次特征，包括低级的边缘信息和高级的语义特征。
- 解码器通过反卷积和跳跃连接（Skip Connection）逐步恢复空间细节，减少因下采样导致的信息损失。
- 超列技术的应用：
在解码阶段，将不同层级的特征图（如浅层的高分辨率特征与深层的语义特征）进行横向连接，形成多尺度融合的特征金字塔，增强对建筑物边缘和小尺度变化的捕捉能力。 - FlowNet细化模块：
借鉴光流估计网络FlowNet的结构，对特征图进行细化处理，动态调整特征权重，优化变化区域的定位精度。
二、FlowS-Unet的优化策略
为提高模型在复杂场景下的性能，FlowS-Unet采用了以下优化手段：
- 非对称卷积块替代标准卷积：
在特征提取阶段，使用由1×3和3×1卷积核组成的非对称卷积块，替代传统3×3卷积。这种设计增强了模型对建筑物线性边缘的敏感性，同时减少了参数量，缓解过拟合问题。 - 注意力机制的引入：
在跳跃连接部分加入注意力模块，通过全局平均池化、ReLU和Sigmoid函数动态调整编码器与解码器特征图的权重。该机制抑制背景噪声，突出变化区域的特征响应，尤其提升了小目标建筑物的检测能力。 - 数据增强与预处理：
- 对输入图像进行色差均衡、二次精纠正和归一化处理，减少光照差异和几何形变的影响。
- 采用滑动窗口切分图像为256×256的小块，并通过水平翻转、旋转等操作扩充训练数据，增强模型泛化性。
三、技术流程与实现步骤
-
数据预处理：
- 色差均衡：利用Canny边缘检测分割图像区域，通过邻域平均法平滑边界，消除波段拼接导致的色差。
- 几何精校正：基于模板匹配和灰度相似性分析，对齐多时相遥感影像。
- 归一化：将像素值归一化至[0,1]区间，加速模型收敛。
-
模型训练与推理：
- 将两时相遥感图像合并为多通道输入，通过FlowS-Unet生成变化概率图。
- 采用Softmax分类器对每个像素进行二分类（变化/非变化），最终输出以白色标记变化区域的分割图。
四、代码实现
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import Dataset, DataLoader
import numpy as np
import cv2
import os
class FlowSUnet(nn.Module):
def __init__(self, in_channels=8, out_channels=2):
super(FlowSUnet, self).__init__()
# Encoder部分
self.conv1_1 = nn.Conv2d(in_channels, 64, kernel_size=3, padding=1)
self.conv1_2 = nn.Conv2d(64, 64, kernel_size=3, padding=1)
self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)
self.conv2_1 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
self.conv2_2 = nn.Conv2d(128, 128, kernel_size=3, padding=1)
self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)
self.conv3_1 = nn.Conv2d(128, 256, kernel_size=3, padding=1)
self.conv3_2 = nn.Conv2d(256, 256, kernel_size=3, padding=1)
self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2)
self.conv4_1 = nn.Conv2d(256, 512, kernel_size=3, padding=1)
self.conv4_2 = nn.Conv2d(512, 512, kernel_size=3, padding=1)
self
