DSDANet:用于跨域变化检测的深度孪生域自适应卷积神经网络
计算机视觉与模式识别
2020-06-17 v1
摘要
变化检测(CD)是遥感中最关键的应用之一。近年来,深度学习在CD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CD数据集偏差常常存在,因此将深度CD模型从原始CD数据集迁移到新数据集时性能不可避免地下降,使得在新数据集中手动标注大量样本不可避免,这耗费大量时间与人力。如何在一个具有足够标注数据(源域)的数据集中学习可迁移的CD模型,却能在另一个无标注数据(目标域)的数据集中良好地检测变化?这被定义为跨域变化检测问题。本文提出一种新颖的用于跨域CD的深度孪生域自适应卷积神经网络(DSDANet)架构。在DSDANet中,孪生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。通过用源标注数据和目标未标注数据优化网络参数与核系数,DSDANet可学习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自适应的深度网络用于CD。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.2006.09225,
title = {DSDANet: Deep Siamese Domain Adaptation Convolutional Neural Network for Cross-domain Change Detection},
author = {Hongruixuan Chen and Chen Wu and Bo Du and Liangpei Zhang},
journal= {arXiv preprint arXiv:2006.09225},
year = {2020}
}