耦合地理位置信息与图注意力网络的多类变化

耦合地理位置信息与图注意力网络的多类变化检测模型 土地覆盖类别的变化检测是遥感领域的一个关键主题。目前机器学习和深度学习技术已被成功应用于遥感影像变化检测任务之中，尽管前景广阔，但在深度学习模型的设计中仍存在几个常见问题，例如忽视领域知识和既定的科学原理、可解释性低等。遥感或地理空间数据通常表现出空间自相关性，这意味着影像中附近的像素或区域比距离较远的像素或区域更有可能具有相似的值或特征。这一特性在地理学第一定律中被提出。在遥感影像变化检测，以及类似的影像分类、分割、目标检测任务中，理解影像中物体或区域之间的空间关系至关重要。而许多深度学习方法或模型都是从计算机科学领域借用或引入的，并非是专门为遥感及地理学领域开发。结合空间原则和地理数据独特特征来监督深度学习过程的创新工作也非常有限。为了在一定程度上提高变化检测模型的可解释性和检测精度，是否可以从地理数据本身特点出发来思考深度学习模型该如何设计？ 近日，华东师范大学地理科学学院李响教授团队的研究新成果题为“Position-aware graph-CNN fusion network: an integrated approach combining geospatial information and graph attention network for multiclass change detection”，已发表于IEEE Transactions on Geoscience and Remote Sensing期刊。研究将重点放在深度学习和地理空间信息之间的强大协同作用上，通过结合基本的空间理论产生更高精度和更具可解释性的检测模型。