无监督深度变化向量分析中的置信度估计
图像与视频处理
2024-05-17 v1
摘要
无监督迁移学习的变化检测方法利用预训练网络的特征提取能力来区分变化像素和未变化像素。然而，其性能可能因地理和模型相关因素而显著变化。在许多应用中，提供可信或置信的结果至关重要，即使仅在像素子集上。该问题的核心挑战是以无监督方式识别变化像素和置信像素。为此，我们提出一个双网络模型——一个负责单纯的变化检测，另一个负责置信度估计。变化检测网络可与流行的基于迁移学习的变化检测方法（如深度变化向量分析）结合使用，而置信度估计网络的操作类似于随机平滑模型。通过输入噪声扰动的集成，它产生输出上的分布，并为每个像素的结果分配置信度。我们在三种不同的地球观测传感器上测试了所提方法：光学、合成孔径雷达和高光谱传感器。
引用
@article{arxiv.2405.09896,
title = {Confidence Estimation in Unsupervised Deep Change Vector Analysis},
author = {Sudipan Saha},
journal= {arXiv preprint arXiv:2405.09896},
year = {2024}
}