用于遥感图像变化检测的无监督卷积神经网络融合方法
计算机视觉与模式识别
2023-11-08 v1 图像与视频处理
摘要
随着深度学习的快速发展，近年来出现了多种基于深度学习的变化检测方法。然而，这些方法通常需要大量训练样本来训练网络模型，因此代价十分高昂。本文提出一种完全无监督的浅层卷积神经网络（USCNN）融合方法用于变化检测。首先，利用不同尺寸的卷积核将双时相图像变换到不同特征空间，以提取图像的多尺度信息。其次，将同一卷积核下双时相图像的输出特征相减得到相应的差异图像，并利用 1*1 卷积层将同一尺度的差异特征图融合为一张特征图。最后，将不同尺度的输出特征拼接，并使用 1*1 卷积层融合图像的多尺度信息。模型参数通过重新设计的稀疏函数获得。我们的模型具有三个特点：整个训练过程以无监督方式进行、网络结构浅、目标函数稀疏。因此，它可视为一种轻量级网络模型。在四个真实遥感数据集上的实验结果表明了所提方法的可行性与有效性。
引用
@article{arxiv.2311.03679,
title = {Unsupervised convolutional neural network fusion approach for change detection in remote sensing images},
author = {Weidong Yan and Pei Yan and Li Cao},
journal= {arXiv preprint arXiv:2311.03679},
year = {2023}
}