基于深度孪生多尺度卷积网络的多时相甚高分辨率影像变化检测
图像与视频处理
2020-07-13 v2 计算机视觉与模式识别
机器学习
摘要
甚高分辨率（VHR）影像能提供丰富的地面细节和空间几何信息。多时相 VHR 影像中的变化检测在城市扩张和区域内部变化分析中起着重要作用。然而，传统变化检测方法既不能充分利用空间上下文信息，也无法应对 VHR 影像复杂的内部异质性。本文采用一种称为多尺度特征卷积单元（MFCU）的强大特征提取模型，用于多时相 VHR 影像的变化检测。MFCU 能在同一层中提取多尺度空间-光谱特征。基于该单元，设计了两种新颖的深度孪生卷积神经网络，分别称为深度孪生多尺度卷积网络（DSMS-CN）和深度孪生多尺度全卷积网络（DSMS-FCN），用于无监督和有监督变化检测。对于无监督变化检测，实施自动预分类以获得可靠的训练样本，然后 DSMS-CN 通过 MFCU 模块和深度孪生架构，从选定的训练样本中拟合变化和未变化区域的统计分布。对于有监督变化检测，端到端的深度全卷积网络 DSMS-FCN 在任意尺寸的多时相 VHR 影像上进行训练，并直接输出二值变化图。此外，为解决定位不精确的问题，将全连接条件随机场（FC-CRF）与 DSMS-FCN 结合以细化结果。在具有挑战性的数据集上的实验结果证实，所提出的两种架构性能优于当前最先进的方法。
引用
@article{arxiv.1906.11479,
title = {Change Detection in Multi-temporal VHR Images Based on Deep Siamese Multi-scale Convolutional Networks},
author = {Hongruixuan Chen and Chen Wu and Bo Du and Liangpei Zhang},
journal= {arXiv preprint arXiv:1906.11479},
year = {2020}
}