基于生成对抗网络的卫星图像无监督变化检测
图像与视频处理
2021-12-08 v2 人工智能
摘要
在成对卫星图像中检测变化区域在许多遥感应用中起着关键作用。近期技术的发展可提供极高空间分辨率（VHR）的卫星图像，但也使得图像配准难以应用，且许多变化检测方法依赖于其精度。同一场景在不同时间或不同角度获取的两幅图像会引入未配准物体，未配准区域与真实变化区域的同时存在会降低许多无监督条件下变化检测算法的性能。为减轻成对图像中未配准物体的影响，我们提出一种利用特殊神经网络架构——生成对抗网络（GAN）来生成更多较好配准图像的新颖变化检测框架。在本文中，我们展示 GAN 模型可通过所提出的扩展策略在一对图像上训练以创建训练集并优化所设计的目标函数。优化后的 GAN 模型将产生更好的配准图像，其中变化可轻易发现，随后可通过使用这些生成图像的显式比较策略给出变化图。与其他基于深度学习的方法相比，我们的方法对未配准图像问题较不敏感，并充分利用了深度学习结构。在具有许多不同场景的合成图像与真实数据上的实验结果可证明所提方法的有效性。
引用
@article{arxiv.2009.03630,
title = {Unsupervised Change Detection in Satellite Images with Generative Adversarial Network},
author = {Caijun Ren and Xiangyu Wang and Jian Gao and Huanhuan Chen},
journal= {arXiv preprint arXiv:2009.03630},
year = {2021}
}