基于深度核主成分分析卷积映射网络的多时相甚高分辨率影像无监督变化检测
图像与视频处理
2019-12-19 v1 计算机视觉与模式识别
摘要
随着对地观测技术的发展，甚高分辨率（VHR）影像已成为变化检测的重要数据源。如今，深度学习方法在 VHR 影像变化检测中取得了显著性能。然而，大多数现有的基于深度学习的变化检测模型需要标注训练样本。本文提出一种称为核主成分分析（KPCA）卷积的新型无监督模型，用于从多时相 VHR 影像中提取代表性特征。基于 KPCA 卷积，设计了一种无监督深度孪生 KPCA 卷积映射网络（KPCA-MNet）用于二分类与多分类变化检测。在 KPCA-MNet 中，高层空间-光谱特征图由包含权值共享 PCA 卷积层的深度孪生网络提取。随后，特征差异图中的变化信息被映射至二维极坐标域。最后，通过阈值分割与聚类算法生成变化检测结果。KPCA-MNet 的全部流程无需标注数据。理论分析与实验结果表明了所提方法在两个二分类变化检测数据集和一个多分类变化检测数据集中的有效性、鲁棒性与潜力。
引用
@article{arxiv.1912.08628,
title = {Unsupervised Change Detection in Multi-temporal VHR Images Based on Deep Kernel PCA Convolutional Mapping Network},
author = {Chen Wu and Hongruixuan Chen and Bo Do and Liangpei Zhang},
journal= {arXiv preprint arXiv:1912.08628},
year = {2019}
}