[發明專利]基于三元組語義關系學習的航拍遙感圖像變化檢測方法

有效

• 申請號: 201810385526.4
• 申請日: 2018-04-26
• 公開（公告）號: CN108596108B
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 陳克明;張夢雅;許光鑾;閆夢龍
• 申請（專利權）人: 中國科學院電子學研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/46;G06K9/62
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 吳夢圓

1.一種基于三元組語義關系學習的航拍遙感圖像變化檢測方法，包括：

步驟A：構建基于三元組語義關系學習的雙路深度神經網絡模型；

步驟B：利用訓練數據集訓練所述雙路深度神經網絡模型；

步驟C：基于測試數據集和訓練后的雙路深度神經網絡模型，得到測試數據集的特征表示；

步驟D：基于所述測試數據集的所述特征表示，計算兩時相圖像之間的歐式距離，得到一幅差異圖像；以及

步驟E：利用閾值法對所述差異圖像進行處理，得到變化檢測結果；

其中，步驟A包括設置損失函數Triplet loss層，所述Triplet loss層滿足如下正向計算公式：

其中，L(w)表示損失函數，L_p表示只考慮類間損失的函數，L_t表示傳統的三元組損失函數，P表示網絡輸入的圖像對的個數，w表示網絡參數，λ表示用來衡量兩個損失的一個權重，m₁為一個常數，m₂為一個比m₁小的常數，表示輸入特征圖上每個像素的特征向量，表示與對應的特征向量的標簽相同且距離最遠的特征向量，表示與對應的特征向量的標簽不同且距離最近的特征向量。

2.根據權利要求1所述的基于三元組語義關系學習的航拍遙感圖像變化檢測方法，所述步驟A還包括：

步驟A1：構建用于提取特征的基于101層殘差網絡的所述雙路深度神經網絡模型；

步驟A2：獲取用于訓練的三元組選擇層。

3.根據權利要求2所述的基于三元組語義關系學習的航拍遙感圖像變化檢測方法，所述步驟A1包括：

步驟A1a：將101層的殘差網絡中的全連接層用全卷積層代替；

步驟A1b：采用帶孔卷積擴大感受野的范圍；以及

步驟A1c：采用帶孔的空間金字塔池化方法提取不同尺度的特征。

4.根據權利要求2所述的基于三元組語義關系學習的航拍遙感圖像變化檢測方法，所述步驟A2包括：

步驟A2a：將經過訓練的所述訓練數據集中兩時相的訓練數據的特征表示通過級聯層將其級聯成一個特征圖，該特征圖滿足下式：

f_w(X)＝{f_w(x_ij)|1≤i≤H，1≤j≤W}

其中，f_w(x_ij)表示特征圖標(i，j)上對應像素的特征向量，H，W表示當前特征圖的高和寬；

步驟A2b：獲取所述特征圖上每個像素的特征向量記為anchor；

步驟A2c：獲取與anchor標簽相同且距離最遠的特征向量記為positive；

步驟A2d：獲取與anchor標簽不同且距離最近的特征向量記為negative；

步驟A2e：將特征向量anchor、positive和negative組成三元組特征向量

5.根據權利要求2所述的基于三元組語義關系學習的航拍遙感圖像變化檢測方法，所述設置損失函數Triplet loss層還包括：依照下式計算所述Triplet loss層的偏導：

其中，h₁(w)表示L_p對參數求偏導，h₂(w)表示L_t對參數求偏導；

6.根據權利要求1所述的基于三元組語義關系學習的航拍遙感圖像變化檢測方法，所述步驟B中，利用所述訓練數據集，采用隨機梯度下降方法對雙路深度神經網絡進行訓練。

7.根據權利要求1所述的基于三元組語義關系學習的航拍遙感圖像變化檢測方法，所述步驟C包括：將測試數據集作為步驟B獲取的訓練后的雙路深度神經網絡模型的輸入，移除雙路深度神經網絡模型末尾的級聯層、三元組選擇層和損失函數層，保留多尺度特征融合層的輸出作為測試數據集上學習得到的深度特征表示。