基于图知识补充网络的合成孔径雷达图像变化检测
计算机视觉与模式识别
2022-02-10 v2 图像与视频处理
摘要
合成孔径雷达（SAR）图像变化检测是遥感图像分析领域一项重要且具有挑战性的任务。以往多数工作采用自监督方法，利用伪标记样本引导后续训练与测试。然而，深度网络通常需要大量高质量样本进行参数优化。伪标签中的噪声不可避免地影响最终变化检测性能。为解决该问题，我们提出一种基于图的知识补充网络（GKSNet）。具体而言，我们从已有标注数据集中提取判别性信息作为额外知识，以在一定程度上抑制噪声样本的不利影响。随后，我们设计图迁移模块，将标注数据集中的上下文信息以注意力方式蒸馏至目标数据集，从而桥接数据集间的特征关联。为验证所提方法，我们在四个 SAR 数据集上进行了大量实验，结果表明所提 GKSNet 优于若干当前最优基线方法。我们的代码见 https://github.com/summitgao/SAR_CD_GKSNet。
引用
@article{arxiv.2201.08954,
title = {Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network},
author = {Junjie Wang and Feng Gao and Junyu Dong and Shan Zhang and Qian Du},
journal= {arXiv preprint arXiv:2201.08954},
year = {2022}
}
备注
Accepted by IEEE JSTARS