目录
1. Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet(2016)
2. A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images(2018)
3. Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network(2019)
转载&参考博客
论文地址:Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet | IEEE Journals & Magazine | IEEE Xplore
摘要:
文章提出基于PCANet的多时相合成孔径雷达图像变化检测方法。
该方法利用每个像素的代表性邻域特征,采用PCA滤波器作为卷积滤波器。 给定两幅多时相图像,利用Gabor小波和模糊c-均值来选择具有较高变化或不变概率的感兴趣像素。 然后,生成以感兴趣像素为中心的新图像补丁,并使用这些补丁训练PCANet模型。 最后,利用训练后的PCANet模型对多时相图像中的像素进行分类。 将PCANet分类结果和预分类结果相结合,形成最终的变化图。
结构:
步骤:
创新点:采用了PCANet与传统方法相结合的方式解决新问题,并提高精确度。
参数选择:
结果:
总结:
提出了一种基于层次FCM聚类和PCANet的SAR图像变化检测方法。 该方法利用每个像素的代表性邻域特征,采用PCA滤波器作为卷积滤波器。 然后,该方法对散斑噪声具有较强的鲁棒性,产生较低的虚警数。 与四种密切相关的方法相比,该方法表现出良好的性能。
论文地址:A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images - PubMed
主要内容:
基于光学传感器和雷达在不同日期获取的两幅异构图像,本文提出一种无监督深度卷积耦合网络用于变化检测。现有的变化检测方法大多基于同质图像。由于光学传感器与雷达传感器的互补性,基于异质图像(光学图像和合成孔径雷达图像)的变化检测越来越受到人们的关注。该网络是对称的,每边由一个卷积层和几个耦合层组成。将连接到网络两侧的两幅输入图像分别转换到特征空间中,使其特征表示更加一致。在这个特征空间中,计算不同的地图,然后应用阈值算法得到最终的检测地图。通过优化耦合函数来学习网络参数。学习过程是无监督的,不同于现有的基于异构图)的变化检测方法。
论文提出了一种对称卷积耦合网络(SCCN)用于异构图像的变化检测。SCCN有三个主要特征。
与上述基于异构图像的变化检测方法不同,本文方法是完全无监督的,在学习过程中自动识别并利用不变的像素点。
架构:
本文主要是通过无监督方法(DAE+Siamese)对异质图像(光学图像和合成孔径雷达图像)进行相似性比较,具体步骤如下:
创新点:
- 输入图片先利用去噪自编码器配合概率模型(光学图像用高斯噪声,SAR用散斑噪声)进行去噪
- 由于SCCN是双边的,使损失函数中耦合函数关于和θ的最小值可能导致退化的特征表示,即h1(x, y)≡h2(x, y)≡C, C是一个常数。
解决:首先将DAE应用到SCCN的每一边。然后,由DAE推导出的一侧网络参数是固定的。然后,以DAE获得的参数为起点,学习另一侧的网络参数,并通过反向传播进行最小化。无监督学习生成的一致特征空间可以很好地表示输入图像。同时,通过无监督特征学习方法对网络进行预训练,以此初始化网络参数,便于后续的反向传播算法。
论文地址: Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network | IEEE Journals & Magazine | IEEE Xplore
主要内容:
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。
架构:
预分类和伪样本生成:
通过DCNet分类并生成最终的变化图:
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
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。”
Change Detecion文献综诉_Nevermore93117的博客-CSDN博客
论文阅读:《Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet》 - lixinaa - 博客园
论文阅读:Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network - lixinaa - 博客园