【ChangeDetection学习】基于深度孪生卷积网络的光学航空影像变化检测

本文为《Change Detection Based on Deep Siamese Convolutional Network for Optical Aerial Images》论文学习笔记。

一、文章摘要

1.该文章提出了一种新的基于深度孪生卷积网络的光学图像监督变化检测方法，使用加权对比损失训练一个孪生卷积网络。该方法的新颖之处在于学习孪生网络直接从图像对中提取特征，与传统变化检测方法使用的手工特征相比，提取的特征更加抽象和鲁棒。
2.基于变化像素对的特征向量相距较远，而不变像素对的特征向量相距较近的性质，该文使用特征向量的距离来检测图像对之间的变化，在距离图上进行简单的阈值分割可以获得良好的效果，并使用k近邻方法更新初始结果。

二、ChangeDetection方法

该文所设计的变化检测方法如上图所示：首先利用直方图匹配将两幅配准图像进行辐射矫正，然后将预处理后的图像送进该文设计的孪生卷积神经网络当中训练，获得了两个特征张量F1、F2，然后计算两张量之间的欧氏距离得到距离图D，在D中值越大对应的像素对越有可能发生变化，该文章对D进行阈值分割获得了初始的change map 记为T，在通过k-NN对T进行改进获得最终change map M。

三、孪生卷积神经网络

相比于传统卷积神经网络拥有卷积层、池化层、全连接层，该文设计的孪生卷积神经网络中没有池化层和全连接层，这样的结构有利于逐像素提取特征。池化层的作用在于扩大感受野和降采样，由于该网络没有池化层，为保证感受野的增大在除最后一个卷积层外的其他卷积层卷积核大小逐渐增加。

参考文献：https://blog.csdn.net/zuzhiang/article/details/114439455