“
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.