Dynamic Graph-Level Neural Network for SAR Image Change Detection
用于 SAR 图像变化检测的动态图级神经网络
1、摘要
提出了一种端到端的动态图级神经网络 (DGLNN),以在图级利用每个像素邻域块的局部结构,并学习更具判别力的图来进行变化检测
在 DGLNN 的训练中,使用 K-最近邻域来重建节点之间的边,而不是两个节点之间的固定边,以便每个节点利用来自不同相邻节点的特征
2、传统合成孔径雷达(SAR)图像变化检测方法:基于差分图像(DI)的管道开发的
但SAR图像通常会受到散斑的影响,检测精度受影响
GNN具有良好的性能与高可解释性
3、实验思想
从双时相 SAR 图像中提取的每个三通道块构建一个动态图,并DI,其边缘逐层动态更新,以利用图级别的每个像素邻域块的局部结构。此外,在训练过程中,在整个图中使用节点的特征传播和聚合来学习每个块的更多判别表示。
上半部分为模型训练,下半部分为验证
1>构建三通道块:通过双时相SAR的I1与I2、通过对比数方法生成第三通道DI
2>构造图采样:将A划分为b个不重叠的规则形状的超像素、以利用领域空间上下文信息来减少散斑噪声影响,从而形成B矩阵。
节点:将b*b的图像抽象为b^2个图节点,每个节点包含三维的特征
边:第一个训练 epoch 中每个节点的边是由 b^2 个节点空间中的 K-最近邻 (KNN) 构建的
标签:图样本G的标签是块A的中心像素对应的参考图像的值(已知)
3>模型训练
学习图表示:邻居节点信息汇聚与自身节点信息更新
对邻居节点信息汇聚方法:全连接层加Relu层防止过拟合
自身节点信息更新方法:自身信息与邻居信息拼接后做全连接
边的信息更新:由更新的节点利用KNN更新边
图更新完成后将最后一层节点啊特征进行拼接
图分类:两个全连接层对图进行分类,分为改变、未改变两类
4、实验评估
对比实验:漏警(pMA)、误警(pFA)、Kappa
kappa系数是统计学中度量一致性的指标, 值在[-1,1]. 对于评分系统, 一致性就是不同打分人平均的一致性; 对于分类问题,一致性就是模型预测结果和实际分类结果是否一致. kappa系数的计算是基于混淆矩阵, 取值为-1到1之间, 通常大于0.
消融研究:
1>补丁大小和超像素大小的影响
2>各种成分的效果