[发明专利]基于语义分割和孪生神经网络的无人机图像变化检测方法

权利要求书

1.一种基于语义分割和孪生神经网络的无人机图像变化检测方法，其特征在于，包括以下步骤：

S1.扩展数据集并划分数据集；

S2.搭建基于语义分割框架DeeplabV3和孪生网络结合的深度神经网络模型；

S3.利用训练数据集训练基于DeeplabV3的孪生神经网络模型；

S4.基于测试数据集和训练后的模型，验证训练结果。

2.根据权利要求1所述的基于语义分割和孪生神经网络的无人机图像变化检测方法，其特征在于，所述的S1步骤具体包括：

S11.通过数据增强扩展数据集：使用的数据增强方法有，翻转、改变对比度、改变亮度、锐化、截取操作；

S12.划分数据集：将数据集按照7:3的比例划分训练集和测试集。

3.根据权利要求1所述的基于语义分割和孪生神经网络的无人机图像变化检测方法，其特征在于，所述的S2步骤具体包括：

S21.使用AID数据集以及迁移学习的方法微调ResNet50网络，构建为ResNet-AID网络；

S22.以ResNet-AID作为基准网络，结合ASPP模块，构建DeeplabV3架构；

S23.以DeeplabV3作为孪生神经网络的子网络，搭建基于DeeplabV3的孪生神经网络。

4.根据权利要求3所述的基于语义分割和孪生神经网络的无人机图像变化检测方法，其特征在于，所述的S3步骤具体包括：

S31.使用S2步骤中基于DeeplabV3的孪生神经网络提取训练集特征，并采用超列的策略，将不同层不同通道同一像素位置的特征通过级联层，级联成一个特征图；

S32.设置对比损失函数作为模型的损失函数，并计算特征图与参考图的损失函数；该损失函数可以拉开不同特征之间的距离，缩小相似特征之间的距离，表达式为：

式中，表示使用上述模型提取两时相图像X₁、X₂的特征图F_W(X₁)、F_W(X₁)的欧式距离；Y为变化检测的参考图，Yⁱ＝1表示两图的特征图对应像素位置产生变化，Yⁱ＝0表示两图的特征图对应像素位置未产生变化，margin表示设定的阈值；

S33.使用Adam优化算法，优化网络参数，降低损失函数；

S34.训练基于DeeplabV3的孪生神经网络。

5.根据权利要求4所述的基于语义分割和孪生神经网络的无人机图像变化检测方法，其特征在于，所述的S4步骤具体包括：

S41.提取测试集特征：基于训练后的网络提取测试集两时相图像多通道特征，并构建成特征图；

S42.计算两时相特征图之间的距离，得到差异图；

S43.利用最大类间方差算法对差异图进行阈值分割，实现二值化处理，得到变化检测结果；

S44.通过评价标准定量分析变化检测结果。

6.根据权利要求5所述的基于语义分割和孪生神经网络的无人机图像变化检测方法，其特征在于，在训练基于DeeplabV3的孪生神经网络时，选用的优化方法选择Adam法，初始学习率设为0.0005，权重衰减设为0.90，在此基础上迭代训练神经网络。

7.根据权利要求6所述的基于语义分割和孪生神经网络的无人机图像变化检测方法，其特征在于，在训练基于DeeplabV3的孪生神经网络时，具体的迭代训练步骤如下：

S341.输入训练图像并通过前向传播得到两时相图像的特征图；

S342.计算特征图与参考图之间的对比损失函数；

S343.通过反向传播误差调整神经网络的权重和偏置；

S344.重复以上步骤，直到达到最大迭代次数。