无监督变化检测《Unsupervised Change Detection in Satellite Images Using Convolutional Neural Networks》论文笔记

无监督变化检测《Unsupervised Change Detection in Satellite Images Using Convolutional Neural Networks》论文笔记
论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8851762&tag=1
摘要

本文提出了一种有效的无监督方法来检测同一场景的两幅时间不同的图像之间的相关变化。实现了用于语义分割的卷积神经网络（CNN）来提取压缩图像特征，并将检测到的变化分类为正确的语义类。使用CNN生成的特征图信息来创建差异图像，而无需对目标差异图像进行明确训练。因此，所提出的变化检测方法是无监督的，并且可以使用任何预先训练用于语义分割的CNN模型来执行。

网络模型

本文采用的网络模型为经典语义分割模型U-Net。U-net架构中的编码器应用卷积，然后进行最大池化，将输入图像编码为不同级别的特征表示。U-net使用反卷积层来对编码器的输出进行上采样。为了在上采样期间更好地恢复对象细节，U-net将高分辨率特征从编码器路径中的层跳接到解码器路径的相应层中的特征。该操作还用于恢复在通过卷积和最大池化操作压缩图像之前关于像素位置的信息。解码器执行上采样和级联，然后执行常规卷积操作。网络结构如下：

训练阶段

用有监督的方式训练U-Net执行语义分割任务。

预测阶段

（1）将第一张图输入U-Net，保存五个层级的特征图。
（2）将第二张图输入U-Net，在五个层级上分别用第一张图和第二张图的特征图创建差分图像（文中提出了一种差分图像生成算法），然后将DI跳接到解码器部分，经过这样的操作后模型的输出是一个可视化差分图像集合，单个卷积块的DI生成过程如图2所示。

(3)差分图像生成算法：差分图像（DI）是通过首先在两个特征图的每个对应元素上迭代，并计算对应元素对之间的绝对差来创建的。当绝对差落在零和阈值之间时，相应DI元素的值被设置为零。否则，对应DI元素的值被设置为由第二图像生成的特征图激活。该模型所做的假设是，第二幅图像在时间上跟随第一幅图像，即第二张图像捕捉到了观察到的环境的最新状态，并且可能包含变化。因此，生成了与对应的特征图具有相同维度的五个DI。具体算法如下：