| 现场环境 |
在高分辨率遥感影像中，针对城市道路变化检测任务，适用于城市规划、基础设施管理等场景。 |
| 使用对象 |
高分辨率遥感影像中的道路变化区域，包括道路扩宽、新增道路、道路减少 |
| 使用目的 |
通过精准识别道路变化区域，为城市规划和基础设施管理提供数据支持，帮助合理规划城市交通网络。 |
| 硬件配置 |
CPU：12th Gen Intel(R) Core (TM) i7-12700F 2.10GHz；GPU：NVIDIA GeForce RTX 3060；内存：16GB；操作系统：Windows 10 64位系统。 |
| 硬件兼容 |
无
|
| 软件配置 |
操作系统：Windows 10 64位系统；依赖库：PyTorch 1.8.2；编程语言：Python 3.8。 |
| 软件兼容 |
无
|
| 输入数据 |
高分辨率遥感影像，分辨率0.2m - 1.14m. |
| 输出数据 |
道路变化区域的检测结果，包括变化区域的掩码图像。 |
| 样本获取 |
在LNTU_RCD_GF数据集和WRCD数据集上进行实验，包含不同地区的高分辨率遥感影像及其标签。 |
| 测试结果 |
在LNTU_RCD_GF数据集上，F1值为89.31%，交并比为84.28%，召回率为90.49%；在WRCD数据集上，F1值为90.42%，交并比为83.72%，召回率为90.86%。 |
| 执行速度 |
100ms/次 |
| 资源消耗 |
在上述硬件配置下，CPU平均占用率约70%，GPU平均占用率约80%，内存使用量约8GB。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式进行授权。 |
| 文件大小 |
算法程序文件120KB，权重文件320MB |
| 相关备注 |
无 |
