基于深度学习的SAR影像鲁棒无监督小区域变化检测
计算机视觉与模式识别
2020-11-24 v1 图像与视频处理
摘要
合成孔径雷达（SAR）小区域变化检测是一项极具挑战性的任务。本文提出一种基于深度学习的鲁棒无监督方法，用于多时相SAR影像的小区域变化检测。首先，提出一种多尺度超像素重建方法生成差异图（DI），其通过利用局部空间同质信息有效抑制散斑噪声并增强边缘。其次，提出一种两阶段中心约束模糊c均值聚类算法，采用并行聚类策略将DI像素划分为变化、未变化和中间三类。属于前两类的图像块随后被构建为伪标签训练样本，中间类的图像块被视为测试样本。最后，设计并训练一种卷积小波神经网络（CWNN）将测试样本分类为变化或未变化类，并耦合深度卷积生成对抗网络（DCGAN）以增加伪标签训练样本中变化类的数量。在四个真实SAR数据集上的数值实验证明了所提方法的有效性与鲁棒性，小区域变化检测准确率高达99.61%。
引用
@article{arxiv.2011.11005,
title = {Robust Unsupervised Small Area Change Detection from SAR Imagery Using Deep Learning},
author = {Xinzheng Zhang and Hang Su and Ce Zhang and Xiaowei Gu and Xiaoheng Tan and Peter M. Atkinson},
journal= {arXiv preprint arXiv:2011.11005},
year = {2020}
}