遥感图像变化检测代码_基于自适应生成对抗网络的多类型变化检测方法

“

内容导读：   遥感影像变化检测一直是国际遥感领域研究的热点和难点。尤其对于高分辨率遥感影像而言，地物具有更加丰富的空间／形状特征，如何提取并学习有效的特征，减少伪变化，进一步提高变化检测精度，是未来主要的研究方向。此外，现有大多数高分影像变化检测的研究主要集中在变化区域检测上，而忽略了多个变化类型的识别。基于此，本文提出了基于自适应生成对抗网络的多类型变化检测方法，使其变化检测精度明显提高。

”

研究方法

  本文提出了一种针对多变化检测的注意门生成对抗自适应网络(AG-GAAN)，此方法可以自动检测多个类型的变化。它采用pix2pix框架作为主干网络，在此基础上加入了注意门机制和与相似性损失。注意门机制加快了变化区域的识别，并使检测结果轮廓更加精细；域相似度损失提高了模型的识别能力，以便模型更准确地绘制出真实的变化。与以往研究相比，该方法可以准确地从双时相图像中检测出变化类型。

研究方法框架图

注意门机制将浅层网络作为门控向量Ki，从深层网络确定每个层的变化区域，并删除深层网络qi中相应的低层特征响应。注意系数ai属于[0,1]表示整张影像的关注度(公式1)。在训练过程中，背景区域在反向传播的过程中逐渐变为0，最终与原图相乘确定关注区域(公式2)。我们在下图中显示了注意门的空间意识图。

域相似性损失是在判别器中加入最大平方差异(MMD)项。具体来说，我们将标注图像xt和生成器产生的预测图象G(o)同时输入两个鉴别器，同时对两个判别器的每个对应层作最大平方差运算，增强判别器的鉴别能力，帮助模型达到均衡。

研究区与数据

我们使用从GoogleEarth获取的双时态数据集来证明我们提出的模型有效性。数据集具有三个波段，描述了两个不同的季节变化，空间分辨率为0.3m，图像尺寸为2700×4275像素。在图像对中有大量的“增加”和“减少”的目标，这些目标使我们能够测试模型进行多变化检测的能力。

研究区及数据

实验结果

为了验证所提出方法的性能，分别使用了SVM，CNN和pix2pix GAN作为比较算法。此外，为了研究AG-GAAN不同组件之间的相互作用，我们将框架的不同部分分离开来。noDSloss是去掉了域相似性损失的AG-GAAN，noAG-GAN是去掉了注意门机制的AG-GAAN。

实验结果对比图

不同方法精度评价结果

结论

我们提出了一种AG-GAAN模型，用于高分辨率双时相图像的多变化检测。与传统的多变化检测相比， 我们的模型着重于相同对象在不同方向上的转换，例如增加和减少。了解相同对象的增加和减少使它们的更改更容易解释 ，尤其是在灾难评估中。我们将域相似性损失添加到pix2pix GAN模型中，以提高判别器的能力并帮助模型达到均衡。同时，我们增加了注意门机制，以在训练过程中逐步定位变化区域并抑制背景干扰。实验表明，我们的模型可以显著提高多重变化检测的检测率，并了解地面目标的变化。但是，该模型受到诸如积雪之类的环境的影响较大，需要对其进行改进。 Zhao W, Chen  X, et al. Using adversarialnetwork for multiple change detection in bi-temporal remote sensing imagery, Geoscience and Remote Sensing Letters, 2020, in press.