用于多光谱图像跨域变化检测的深度连体域适应卷积神经网络
计算机视觉与模式识别
2020-04-14 v1
摘要
近年来，深度学习在变化检测任务中取得了令人瞩目的性能。然而，深度模型是任务特定的且常存在数据集偏差，因此难以将在某一多时相数据集（源域）上训练的网络迁移到另一标注数据非常有限（甚至无标注）的多时相数据集（目标域）。本文提出一种新颖的深度连体域适应卷积神经网络（DSDANet）架构用于跨域变化检测。在 DSDANet 中，连体卷积神经网络首先从多时相图像中提取空间-光谱特征。然后，通过多核最大均值差异（MK-MMD），将学到的特征表示嵌入到再生核希尔伯特空间（RKHS）中，在该空间中可显式匹配两域的分布。通过利用源域标注数据与目标域无标注数据优化网络参数与核系数，DSDANet 可学习到能弥合两域差异的可迁移特征表示。据我们所知，这是首次提出基于域适应的深度网络用于变化检测。理论分析与实验结果证明了所提方法的有效性与潜力。
引用
@article{arxiv.2004.05745,
title = {Deep Siamese Domain Adaptation Convolutional Neural Network for Cross-domain Change Detection in Multispectral Images},
author = {Hongruixuan Chen and Chen Wu and Bo Du and Liangepei Zhang},
journal= {arXiv preprint arXiv:2004.05745},
year = {2020}
}