基于双路径去噪网络的合成孔径雷达图像变化检测
图像与视频处理
2022-03-15 v1 计算机视觉与模式识别
摘要
受益于合成孔径雷达（SAR）传感器的快速持续发展，SAR图像变化检测在过去几年受到越来越多的关注。现有的基于无监督深度学习的方法已大力发掘鲁棒特征表示，但它们耗费大量时间优化参数。此外，这些方法使用聚类获取伪标签用于训练，而伪标记样本常包含错误，可视为“标签噪声”。为解决这些问题，我们提出一种双路径去噪网络（DPDNet）用于SAR图像变化检测。具体而言，我们引入随机标签传播以清理预分类中涉及的标签噪声。我们还提出区分性块卷积用于特征表示学习以减少时间消耗。具体地，利用注意力机制在特征图中选择区分性像素，并以这些像素周围的块作为卷积核。因此，DPDNet不需要大量训练样本进行参数优化，其计算效率大幅提升。在五个SAR数据集上进行了广泛实验以验证所提DPDNet。实验结果表明我们的方法在变化检测结果上优于几种最先进的方法。
引用
@article{arxiv.2203.06543,
title = {Change Detection from Synthetic Aperture Radar Images via Dual Path Denoising Network},
author = {Junjie Wang and Feng Gao and Junyu Dong and Qian Du and Heng-Chao Li},
journal= {arXiv preprint arXiv:2203.06543},
year = {2022}
}
备注
Accepted by IEEE JSTARS