不知不觉，深度学习已经改变了传统方法的研究路线，大家一窝蜂的研究这个方法了，事实证明，这个方法，确实是目前最有效的视觉方法。。。虽然有点，就不说了！
利用深度学习进行遥感影像全自动变化检测，这两年飞速发展，精度与效率已经远超传统方法，但是真正将深度学习方法用到实际生产工作，几乎少有人做，目前在做的几个单位，无非就是中科院遥感所，自然资源部国土卫星中心，武汉大学等等。我自己也是这里面的一个，把深度学习方法真正落到实际生产作业中，根据一线作业人员的反馈，虽然不能100%准确，但是可以节省大部分人工工作量了，我还是很欣慰的，靠人工去自动勾变化图斑，量大，人累。做了这么些工作，用一句话可以概括，“科技是第一生产力！”
下面我以两期多时相影像，利用深度学习方法做的全自动变化监测，并最终输出变化图斑，整个技术流程简单介绍一下:
图 实验区域与检测结果（黄色为自动检测出的变化图斑，蓝色为训练样本）
更多的局部图斑细节：
图 道路区域变化监测结果
图 林地变化提取结果
图 建筑物变化提取结果
唉，再次吐槽一下博客园的编辑系统，实在是太差了，编辑太不方便了，而且美观性也不行。。。算了。我是随意选取的几种变化检测提取结果，从这个
结果可以看出，基本上变化图斑均能发现，但是边界并不十分完美，因此后面需要人工进行边界修正等，还有一些伪图斑删除，如下面的云覆盖区域，误识别
成变化图斑，因此需要后期删除：
图 伪变化图斑情况
看完了结果，下面我说一下这个技术流程，总得来说分为以下几个思路：
1. 影像预处理。如何大规模镶嵌影像数据集，这是一个关键技术问题，我这里是调用的arcgis镶嵌工具，效率较低，对于上百景影像则会效率很低，不知道大家有没有
什么好的方法，可以一起讨论讨论；
2.分块处理。深度学习方法输入一般是规则的整数块，如1000*1000等，这个可以用GPU计算解决。
3.栅格矢量化，平滑。这个可以调用一些开源工具集解决，但是我自己是用的自己开发的平滑算法，效果就是上面大家看到的了，视觉上还是不错的。
关于我用的模型，我这里贴出来，给大家看一下关键部分：
图 深度模型关键部分
我这里是改进的一个轻量级语义分割算法，用了四层并联的空洞卷积，加上一个平均池化层，最后用cat方式融合多特征，所有卷积全部采用可分离卷积，
这个好处，就是训练很快，参数极少，我的参数量一起是32MB，比较小了，在很差的笔记本上cpu计算都可以。
我们再来测试一下，大规模场景如何，我选择深圳作为测试区域，样本大概选了20个左右，全为336*336大小，技巧上采用通用的tricks就差不多了，
我们来看看效果：
总共发现了2688个变化，我肉眼对比了下，基本上搞出了变化，结果还是非常不错的。。。
在图像预处理方面，输入均为525*525大小，好吧，先写到这里，如果大家需要我的全套代码，请联系qq1044625113，加时请备注：深度变化检测。