[发明专利]基于金字塔池化孪生网络的SAR图像变化检测方法

权利要求书

1.一种基于金字塔池化孪生网络的SAR图像变化检测方法，其特征在于，包括如下

(1)输入同一地区不同时相的两幅SAR图像，生成训练样本、测试样本和样本标签；

(2)构建由两个结构、参数完全相同的金字塔池化网络组成的深度金字塔池化孪生网络，每一个金字塔池化网络包括如下三部分：

第一部分是卷积神经网络，其结构依次为，输入层→第一层卷积层→第一层批量归一化层→第二层卷积层→第二层批量归一化层→第三层卷积层→第三层批量归一化层→最大池化层→dropout层；

第二部分是金字塔池化模块，其包括四个结构相同的卷积神经网络，每个卷积神经网络表示一个级别，共有4个不同尺度级别；每个卷积神经网络结构依次为，平均二维池化层→卷积层→批量归一化层，四个网络的输出融合为金字塔池化模块的输出；

第三部分是卷积神经网络，其结构依次为，第1层卷积层→批量归一化层→dropout层→第2层卷积层；

(3)构建分类网络，其结构依次为，第一层全连接层→第二层全连接层→第三层全连接层；

(4)设置深度金字塔池化孪生网络和分类网络的参数；

(5)使用交叉熵损失函数对深度金字塔池化孪生网络和分类网络进行分阶段训练：

(5a)将两幅时相图的训练样本和样本标签批量输入到深度金字塔池化孪生网络，进行特征提取，并将提取的特征进行成对拼接，得到拼接后的特征图；

(5b)将拼接后的特征图输入到分类网络进行训练，直到交叉熵损失函数收敛时，训练完成，得到概率预测矩阵M；

(6)用概率预测矩阵M对测试样本进行测试，得到变化检测结果。

2.根据权利要求1所述的方法，其特征在于，(1)中生成训练样本、测试样本和样本标签，实现如下：

分别以第一幅时相图、第二幅时相图以及标签图像的每个像素点为中心，选取每个像素点周围31×31大小的正方形图像块，每个图像块作为一个样本；

从所有时相图样本中选取30％作为训练样本，30％作为测试样本，这两种样本中包括变化类与非变化类边界部分的全部样本；

从所有标签图像样本中选取30％作为样本标签；

上述标签图像是指，根据输入的第一时相图对应地区的SAR图像和第二时相图对应地区的SAR图像人工标注的该地区已经变化和没有非变化部分的参考图，或者去实地考察标注的该地区已经变化和没有非变化部分的参考图。

3.根据权利要求1所述的方法，其特征在于，(4)中深度金字塔池化孪生网络的参数设置如下：

对于第一部分卷积神经网络，其第一层卷积层、第二层卷积层、第三层卷积层的卷积核个数分别为32、64、128，卷积核大小都为3×3，步长都为1×1；所有批量归一化层动量为0.95；最大池化层池化窗口大小为2×2，步长为2×2；dropout层的dropout率为0.5；每层的激活函数都为relu函数；

对于第二部分金字塔池化模块，其四个卷积神经网络的平均二维池化层池化窗口大小依次为2×2、4×4、8×8、16×16，池化步长依次为2×2、4×4、8×8、16×16；每个卷积神经网络的卷积层的卷积核个数都为32，卷积核大小都为1×1，步长都为1×1；每个卷积神经网络中批量归一化层的动量都为0.95；每个卷积神经网络中的激活函数都为relu函数；

对于第三部分卷积神经网络，其第1层卷积层的卷积核个数为64，卷积核大小为3×3，步长为1×1；批量归一化层的动量为0.95；dropout层的dropout率为0.5；第2层卷积层的卷积核个数为2，卷积核大小为1×1，步长为1×1。

4.根据权利要求1所述的方法，其特征在于，(4)中设置分类网络的参数，是将每层全连接层的神经元个数都设为1024，并设第一层全连接层、第二层全连接层的激活函数为relu函数，第三层全连接层的激活函数为softmax函数。