[發(fā)明專利]一種輕量級(jí)多特征聚合的神經(jīng)網(wǎng)絡(luò)遙感變化檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210476223.X
• 申請(qǐng)日: 2022-04-29
• 公開(kāi)（公告）號(hào): CN114937204B
• 公開(kāi)（公告）日: 2023-07-25
• 發(fā)明（設(shè)計(jì)）人: 翁理國(guó);儲(chǔ)圣光;夏旻;胡凱
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06V20/10
• 分類號(hào): G06V20/10;G06V20/70;G06V10/80;G06V10/82;G06V10/764;G06V10/774;G06N3/048;G06N3/082
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 陸志斌

本發(fā)明公開(kāi)了一種輕量級(jí)多特征聚合的神經(jīng)網(wǎng)絡(luò)遙感變化檢測(cè)方法，包括搭建并訓(xùn)練一個(gè)分割網(wǎng)絡(luò)，輸入雙時(shí)像遙感圖像，輸出預(yù)測(cè)變化區(qū)域的預(yù)測(cè)模型，其特征在于，所述預(yù)測(cè)模型包括至少三個(gè)基礎(chǔ)語(yǔ)義分割子模塊：特征提取模塊、細(xì)節(jié)特征引導(dǎo)模塊、自注意力以及特征融合模塊。該種輕量級(jí)多特征聚合的神經(jīng)網(wǎng)絡(luò)遙感變化檢測(cè)方法，通過(guò)輕量級(jí)多特征融合網(wǎng)絡(luò)在采用前述訓(xùn)練方法進(jìn)行訓(xùn)練后即可用于遙感圖像變化檢測(cè)，對(duì)待處理圖像先采用裁剪的方式輸入至神經(jīng)網(wǎng)絡(luò)模型中，設(shè)置參數(shù)并進(jìn)行多次迭代，得到變化檢測(cè)遙感圖像的預(yù)測(cè)結(jié)果，該預(yù)測(cè)的結(jié)果相對(duì)于采用傳統(tǒng)的基礎(chǔ)語(yǔ)義分割模型（例如UNet、FCN等）得到的結(jié)果，其預(yù)測(cè)準(zhǔn)確率有明顯的提升。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)與圖像處理技術(shù)領(lǐng)域，具體為一種輕量級(jí)多特征聚合的神經(jīng)網(wǎng)絡(luò)遙感變化檢測(cè)方法。

背景技術(shù)

隨著空間科學(xué)技術(shù)的迅速發(fā)展，如何有效地將地物的變化信息從遙感圖像中檢測(cè)出來(lái)已成為一個(gè)重要的研究方向。現(xiàn)有主流的解決方案分為無(wú)監(jiān)督和有監(jiān)督兩種。

傳統(tǒng)的無(wú)監(jiān)督方法主要有MAD、IR-MAD和PCA等。MAD分析方法的本質(zhì)是多變量統(tǒng)計(jì)分析中的典型相關(guān)分析，但是由于該算法不能較好處理多元素遙感圖像問(wèn)題。因此研究并提出了IR-MAD算法。該算法的核心思想是把每個(gè)像素的初始權(quán)值都設(shè)為1，通過(guò)迭代給兩幅圖像中的像素一個(gè)新的權(quán)值。未發(fā)生變化的像素具有較大的權(quán)重，最終的權(quán)重值是決定各個(gè)像素是否發(fā)生改變的唯一依據(jù)。經(jīng)過(guò)多次迭代，當(dāng)每個(gè)像素的權(quán)重會(huì)逐漸趨于穩(wěn)定直到不變，此時(shí)迭代停止。每個(gè)像素最終權(quán)值與閾值T比較，從而判斷其屬于變化像素還是未變化像素，最后提取未變化的像素作為特征像素。PCA是最著名的子空間學(xué)習(xí)算法之一，PCA通過(guò)線性變換將圖像變換為一組各維度線性無(wú)關(guān)的表示，可用于提取數(shù)據(jù)的主要特征分量。但是因?yàn)镻CA依賴于圖像的統(tǒng)計(jì)特征，因此變化區(qū)域和不變區(qū)域的數(shù)據(jù)是否平衡，將對(duì)模型的性能產(chǎn)生很大影響。

在有監(jiān)督的方法中，大多數(shù)基于深度學(xué)習(xí)的遙感圖像變化方法都與語(yǔ)義分割有關(guān)。隨機(jī)森林(RFs)和卷積神經(jīng)網(wǎng)絡(luò)(CNNs)等都是傳統(tǒng)的監(jiān)督學(xué)習(xí)方法。但是它們沒(méi)有針對(duì)變化檢測(cè)任務(wù)特性，明確區(qū)別變化區(qū)域和不變區(qū)域。這使得在檢測(cè)過(guò)程中邊緣細(xì)節(jié)信息丟失嚴(yán)重。而且使用的主干網(wǎng)絡(luò)大都由于結(jié)構(gòu)冗余，不能對(duì)雙時(shí)像遙感圖像的特征信息進(jìn)行高效提取。

由于遙感變化檢測(cè)技術(shù)的應(yīng)用范圍更加廣泛。因此所對(duì)應(yīng)的遙感圖像數(shù)據(jù)集，無(wú)論從圖像的分辨率大小、數(shù)量以及圖像的細(xì)節(jié)復(fù)雜程度的角度來(lái)說(shuō)，相比之前都有很大提升。特別是因?yàn)殡p時(shí)相遙感圖像中兩幅圖像拍攝時(shí)間不同，所以會(huì)存在拍攝角度不同、季節(jié)植被覆蓋變化、光照陰影變化等問(wèn)題。如果有一種網(wǎng)絡(luò)既能夠關(guān)注到變化區(qū)域的信息又能夠在不損失精度的前提下盡可能地降低參數(shù)量，那么它就能滿足大部分的場(chǎng)景需求。因此我們對(duì)此做出改進(jìn)，提出一種輕量級(jí)多特征聚合的神經(jīng)網(wǎng)絡(luò)遙感變化檢測(cè)方法。

發(fā)明內(nèi)容