基于孪生自适应融合网络的合成孔径雷达图像变化检测
图像与视频处理
2021-10-19 v1
摘要
合成孔径雷达(SAR)图像变化检测是遥感图像分析领域中一项关键且极具挑战性的任务。由于以下挑战，该任务并非易事：首先，SAR 图像固有的散斑噪声会因误差梯度累积而不可避免地降低神经网络性能。此外，通过加法或拼接操作难以实现不同层级或尺度特征图之间的相关性。为此，我们提出了一种用于 SAR 图像变化检测的孪生自适应融合网络。具体而言，利用双分支 CNN 提取多时相 SAR 图像的高层语义特征。此外，设计了自适应融合模块以自适应地结合卷积层中的多尺度响应。因此，互补信息得以利用，变化检测中的特征学习得到进一步改善。此外，设计了相关层以进一步探索多时相图像之间的相关性。随后，通过带有 softmax 的全连接层利用稳健的特征表示进行分类。在四个真实 SAR 数据集上的实验结果表明，所提方法相较于多种 state-of-the-art 方法展现出优越的性能。我们的代码可在 https://github.com/summitgao/SAR_CD_SAFNet 获取。
引用
@article{arxiv.2110.09049,
title = {Synthetic Aperture Radar Image Change Detection via Siamese Adaptive Fusion Network},
author = {Yunhao Gao and Feng Gao and Junyu Dong and Qian Du and Heng-Chao Li},
journal= {arXiv preprint arXiv:2110.09049},
year = {2021}
}
备注
This work has been accepted by IEEE JSTARS for publication. Our codes are available at https://github.com/summitgao/SAR_CD_SAFNet