基于可变形残差卷积神经网络的SAR图像变化检测
计算机视觉与模式识别
2021-04-07 v1
摘要
卷积神经网络（CNN）在合成孔径雷达（SAR）图像变化检测方面取得了很大进展。然而，传统卷积核的采样位置是固定的，无法根据SAR图像的实际结构发生改变。此外，自然场景中的物体可能以不同尺寸出现，这要求网络具备更强的多尺度表示能力。本文设计了一种新颖的可变形残差卷积神经网络（DRNet）用于SAR图像变化检测。首先，所提出的DRNet引入了可变形卷积采样位置，卷积核的形状能够根据地物的实际结构自适应调整。为创建可变形采样位置，根据输入图像的空间信息为每个像素计算二维偏移量，从而使像素的采样位置能够自适应地反映输入图像的空间结构。此外，我们提出了一种新颖的池化模块来替代普通池化，通过在一个池化层内构建层次化的类残差连接，以有效利用多尺度信息，从而在更细粒度上提升多尺度表示能力。在三个真实SAR数据集上的实验结果证明了所提出DRNet的有效性。
引用
@article{arxiv.2104.02299,
title = {Change Detection from SAR Images Based on Deformable Residual Convolutional Neural Networks},
author = {Junjie Wang and Feng Gao and Junyu Dong},
journal= {arXiv preprint arXiv:2104.02299},
year = {2021}
}
备注
Accepted by ACM Multimedia Asia 2020