[发明专利]面向遥感技术领域两期高分辨率遥感影像变化检测系统有效
申请号: | 201910529049.9 | 申请日: | 2019-06-19 |
公开(公告)号: | CN110263705B | 公开(公告)日: | 2023-07-07 |
发明(设计)人: | 方涛;鲍腾飞;霍宏;傅陈钦;郑双朋 | 申请(专利权)人: | 上海交通大学 |
主分类号: | G06V20/13 | 分类号: | G06V20/13;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/084 |
代理公司: | 上海交达专利事务所 31201 | 代理人: | 王毓理;王锡麟 |
地址: | 200240 *** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 面向 遥感技术 领域 高分辨率 遥感 影像 变化 检测 系统 | ||
1.一种面向遥感技术领域两期高分辨率遥感影像变化检测系统,其特征在于,包括:①基于双路共享权值的VGG16特征提取体系,并在各层之间设有多个特征金字塔融合模块作为像素级分类的编码网络以及②两个分支网络:其中块级变化检测分支网络包含一个Concat层并用于判断输入遥感影像对是否发生变化,像素级变化检测分支网络包含三个Concat层并根据遥感影像对在变化的情况下进行超像素分类;四个Concat层分别对应不同层的双路网络特征融合操作,其中:第四Concat层操作得到的特征图用于判断块级的变化情况;第一至第三Concat层分别通过上采样与融合操作来获取最终原图大小的像素级变化检测效果;
所述的块级变化检测分支网络由一个用于特征融合的Concat层、一系列卷积层、三个全连接层、池化层和分类器组成,其合并的特征图经过全连接层变成特征向量;先将所述的VGG16特征提取体系输出的最后一层特征图拉伸成一维向量,再进行全连接操作得到二维的向量;
所述的块级变化检测分支网络在训练时需要将得到的一维特征向量经过softmax操作转换成概率;在测试时以输出中最大值的位置所对应的变化类别作为最终的检测结果;
所述的特征金字塔融合模块包括四个依次连接的预测层;
所述的影像变化检测是指:通过基础特征提取网络将一对待测遥感影像输入双路神经网络并分别提取出特征图,然后通过双路神经网络中的特征金字塔融合模块以通道数拼接的方式融合得到包含两层特征图的语义信息的特征融合图,对拼接后得到特征差异图进行影像分割后将分割结果融合得到分割轮廓结果,具体包括:
第一步,特征提取:采用双路网络分别提取两期影像特征,利用VGG16的四层卷积池化层网络结构来搭建双路共享权值的基础特征提取网络;
第二步,通过特征金字塔融合模块对获取到的卷积池化后的特征图进行上采样后与卷积池化前的特征图进行多层特征融合以获取更加丰富的影像信息,具体为:对于每一次卷积操作后得到的特征图,采用上采样的方式还原到卷积池化前的特征图的形状,并通过通道数的拼接来融合上下两层的特征图;
第三步,双路特征融合:在对不同层次的特征进行尺度变化并进行信息融合的基础上,对双路网络的两个分支的同级特征图进行融合,对第二步所得到的单支网络的多层特征融合图进行两个分支的拼接,通过融合两幅影像不同层的特征图则可以获取两幅影像的不同尺寸的特征差异图,从而得到多种尺寸的特征差异图,从而获取到更加丰富的目标信息;
第四步,对双路神经网提取出的高层语义信息,进行两期遥感影像对的块级分类,得到两期遥感影像是否发生变化的判断结果;
第五步,变化区域轮廓提取:对第三步获取的综合特征图进行变化区域轮廓提取,将多种尺寸的特征差异图通过上采样与融合操作还原到原图尺寸的差异图,做到变化检测目标轮廓的像素级分类,具体为:将第四Concat层送入全连接层进行块级的分类,判定两期遥感影像是否发生变化后,将获取的第一至第三Concat层分别送入全卷积网络,将全卷积网络得到的对应的三层预测输出图再进行尺度变化、信息融合以及上采样操作,得到最终的变化区域轮廓;
所述的全卷积网络的的损失函数则采用交叉熵损失函数,其中:
块级损失函数像素级损失函数
整体网络结构的损失函数LossMFN=max(1,LossMFN_patch)+LossMFN_pixels,其中:N为训练的批次大小,y_patchi与ai为Patch的标签与Patch级分类网络的实际输出值,k与m为输入网络的图像的长度与宽度,y_pixelsj为每个像素的标签,p_pixelsj为每个像素的经过神经网络输出的实际值。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海交通大学,未经上海交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910529049.9/1.html,转载请声明来源钻瓜专利网。