论文阅读:Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cas
作者:互联网
用于SAR图像变化检测的深度级联网络
论文链接
本文提出一种用于SAR图像变化检测的深度级联网络(DCNet)。一方面,建立了一个非常好的DCNet来利用判别特征,并引入了残差学习来解决爆炸梯度问题。另外,采用融合机制来组合不同层次层的输出,以进一步缓解爆炸梯度问题。此外,为SAR变化检测设计了一个简单而有效的基于信道加权的模块。平均池和最大池用于汇总通道信息。强调有意义的通道特征,减少不必要的特征,因此可以减少特征图中的相似性,从而提高DCNet的分类性能。
-
处理过程
- 预分类和伪样本生成
- 首先采用对数比运算生成DI,减少斑点噪声的影响。
- 采用FCM算法对DI分类,分为三类Ωc,Ωu,Ωi,Ωc和Ωu分别表示改变的类和不变的类。 Ωi表示不确定类。 选择属于Ωc和Ωu的像素作为所提出的DCNet的可靠样本。 Ωi中的像素将由DCNET进一步分类。
- 通过DCNet分类并生成最终的变化图
- 引入残差学习和batch normalization来优化卷积层,采用融合技术充分利用不同层的特征。
- 设计了信道加权模块,以利用特征信道间的关系。
- 预分类和伪样本生成
-
DCNet结构
-
基于信道加权的残差块:将输入特征映射x∈Rw×w×c输入到卷积层中,得到F,并通过平均池和最大池算子在空间域中压缩F。 生成两个不同的空间特征描述符Favg∈R1×1×c和Fmax∈R1×1×c。将两个特征描述符分别输入两个FC层。在最后一个FC层中,平均池特性和最大池特性之间共享权重W2∈Rc×ct。 应用共享FC层后,使用元素求和合并输出特征向量。 基于信道加权的向量M计算为
基于信道加权的特征Fcw可以表示为
最后,通过Fcw和输入特征x的元素求和,计算了基于信道加权的残差块的输出。
-
特征融合: 三个基于信道加权的残差块组的特征分别表示为F1、F2和F3。为了匹配维度,使用64个内核对F1、F2和F3进行卷积。 每个内核的大小是1×1。融合过程可以通过像素级求和实现如下:
-
属于Ωc和Ωu的像素被视为所提出的DCNET的训练样本。 在获得训练模型后,Ωi中的像素可以通过模型进行分类。 将DCNET分类结果和预分类结果组合在一起形成变化图。变化图中,更改的像素被标记为“1”,未更改的像素被标记为“0。”
-
标签:Synthetic,加权,Based,Network,特征,残差,像素,信道,DCNet 来源: https://www.cnblogs.com/lixinhh/p/13841895.html