李聪毅, 孔祥兵, 杨 娜, 王逸男, 杨刚凤

(1.河南理工大学 测绘与国土信息工程学院, 河南 焦作 454003;2.黄河水利科学研究院 水利部黄土高原水土保持重点实验室, 河南 郑州 450003)

随着QuickBird，IKONOS，国产资源三号，高分一号等一系列高空间分辨率遥感卫星成功发射，使得地物之间的特征分布和空间关联清晰呈现，通过高分辨率遥感影像对地表覆盖变化检测成为一种高效、准确的技术手段[1]。遥感影像的变化检测是通过对同一地理区域在不同时期内获取的两幅(或多幅)影像，结合相关地理数据和遥感成像机理，来确定该区域的地物是否发生变化[2]。针对遥感影像变化检测技术，国内外学者提出了大量算法，如代数法[3]、时间序列分析法[4]、面向对象法[5-6]等。虽然这些模型在土地覆盖/土地利用监测[7-9]、城市扩展[10]、生态系统监测[11-14]、灾害监测等[15]领域得到了广泛的应用，但是随着土地变化速度的加剧，环境复杂性的加深以及遥感数据多样性的增加，传统的模型已经不能很好适应变化检测的需求[16]。

近年来，深度学习以强大的特征提取能力在图像分类、语义分割以及目标检测等领域中取得了巨大的进步。2015年，Long等[17]提出了全卷积神经网络(fully convolutional networks, FCN)，与传统的卷积神经网络(convolutional neural networks, CNN)相比， FCN在经过多层的卷积和池化操作之后，不再使用全连接层构造特征向量来对图像进行预测，而是利用反卷积操作将特征图进行上采样，使得输出的图像与输入图像具有相同的分辨率，从而对图像实现了像素级别的语义分割。……