[发明专利]基于神经网络结构搜索的遥感图像变化检测方法

权利要求书

1.一种基于神经网络结构搜索的遥感图像变化检测方法，其特征在于，包括如下步骤：

(1)获取训练样本集、验证样本集和测试样本集：

(1a)从遥感图像变化检测数据集中获取A、B时刻大小为R×R的T个遥感图像HA＝{HA₁,…,HA_t,…,HA_T}、HB＝{HB₁,…,HB_t,…,HB_T}，以及HB相对于HA发生变化区域的标签图像HL＝{HL₁,…,HL_t,…,HL_T}，其中，R≥256，T≥200，HA_t、HB_t表示A时刻、B时刻的第t幅遥感图像，HL_t表示HB_t相对于HA_t发生变化区域的标签图像；

(1b)将A时刻、B时刻的每幅遥感图像HA_t、HB_t，以及标签图像HL_t分别进行裁剪成大小为p×p的Z个图像块，得到HA对应的遥感图像块集合HA′＝{HA′₁,…,HA′_t,…,HA′_T}、HB对应的遥感图像块集合HB′＝{HB′₁,…,HB′_t,…,HB′_T}，以及HL对应的标签图像块集合HL′＝{HL′₁,…,HL′_t,…,HL′_T}，其中，HA′_t表示HA_t对应的遥感图像块集合，HB′_t表示HB_t对应的遥感图像块集合，HL′_t表示HL_t对应的标签图像块集合，分别表示HA′_t、HB′_t、HL′_t中的第z个图像块；

(1c)将从图像块集合HA′、HB′、HL′中随机抽取出半数以上图像块组成训练样本集，并将剩余图像块中一半的图像块组成验证样本集，另一半图像块组成测试样本集；

(2)构建遥感图像变化检测超神经网络模型M：

构建包括顺次连接的特征提取超网络、特征融合网络、检测网络的遥感图像变化检测超神经网络模型M，其中，特征提取超网络包括一个卷积层与其顺次连接的U个block块，每个block块包括v个并行排布且由x个顺次连接的卷积层组成的unit块；特征融合网络包括多个顺次连接的融合块，每个融合块包括顺次连接的上采样层、concatenate层和卷积层；检测网络包括级联的编码层和上采样层；

(3)对遥感图像变化检测超神经网络模型M进行迭代训练：

(3a)初始化迭代次数为n，最大迭代次数为N，N≥10000，当前遥感图像变化检测超神经网络模型为Mⁿ，并令n＝1，Mⁿ＝M；

(3b)将训练样本集作为遥感图像变化检测超神经网络模型Mⁿ的输入进行前向传播：

(3b1)特征提取超网络对训练样本集任意的b个A时刻遥感图像块、b个B时刻遥感图像块进行特征提取，得到b个A时刻遥感图像块的特征图和B时刻遥感图像块的特征图，其中，b≥16，每个A时刻遥感图像块的特征图和每个B时刻遥感图像块的特征图包括相等数量的d个子特征图，U＞d≥2；

(3b2)特征融合网络对每个A时刻遥感图像块的特征图进行融合，得到b个A时刻的融合特征图，同时对每个B时刻遥感图像块的特征图进行融合，得到b个B时刻的融合特征图；

(3c)检测网络对每个A时刻的融合特征图与其对应的每个B时刻的融合特征图进行编码，并对编码得到的检测特征图进行上采样，得到b个检测图；

(3d)利用对比损失函数，并通过b个检测图及其对应的b个标签图像块计算Mⁿ的检测损失值lⁿ，然后采用梯度下降法，并通过检测损失值lⁿ对Mⁿ的权值参数wⁿ进行更新；

(3e)判断n＝N是否成立，若是，得到训练好的遥感图像变化检测超神经网络模型M′，否则，令n＝n+1，并执行步骤(3b)；

(4)采用遗传算法对训练好的遥感图像变化检测超网络神经模型M′进行搜索得到结构搜索参数y：

采用遗传算法对训练好的遥感图像变化检测超神经网络模型M′进行搜索，得到结构搜索参数其中，表示值为的第u个block块对应的基因位，为整数；

(5)构建基于结构搜索参数y的遥感图像变化检测模型Y：

构建包括顺次连接的特征提取网络、特征融合网络、检测网络的遥感图像变化检测模型Y；特征提取网络包括一个卷积层与其顺次连接的U个ceil块，每个ceil块由顺次连接的3个卷积层组成，第u个ceil块所包含的3个卷积层的卷积核大小是通过结构搜索参数y确定的：

特征融合网络以及检测网络与步骤(2)中特征融合网络以及检测网络的结构相同；

(6)对遥感图像变化检测模型Y进行迭代训练：

(6a)初始化迭代次数为o，最大迭代次数为O，O≥10000，当前遥感图像变化检测模型为Y^o，并令o＝1，Y^o＝Y；

(6b)将训练样本集作为遥感图像变化检测模型Y^o的输入进行前向传播：

(6b1)特征提取网络对训练样本集任意的r个A时刻遥感图像块、r个B时刻遥感图像块进行特征提取，得到r个A时刻遥感图像块的特征图和B时刻遥感图像块的特征图，其中，r≥16，每个A时刻遥感图像块的特征图和每个B时刻遥感图像块的特征图包括相等数量的d个子特征图，U＞d≥2；

(6b2)特征融合网络对每个A时刻遥感图像块的特征图进行融合，得到r个A时刻的融合特征图，同时对每个B时刻遥感图像块的特征图进行融合，得到r个B时刻的融合特征图；

(6c)检测网络对每个A时刻的融合特征图与其对应的每个B时刻的融合特征图进行编码，并对编码得到的检测特征图进行上采样，得到r个检测图；

(6d)利用对比损失函数，并通过r个检测图及其对应的r个标签图像块计算Y^o的检测损失值q^o，然后采用梯度下降法，并通过检测损失值q^o对Y^o的权值参数θ^o进行更新；

(6e)判断o＝O是否成立，若是，得到训练好的遥感图像变化检测超神经网络模型Y′，否则，令o＝o+1，并执行步骤(6b)；

(7)获取遥感图像的变化检测结果：

将测试样本集作为遥感图像变化检测模型Y′的输入进行前向传播，得到所有测试样本的检测图，并将检测图中像素值小于2的像素点赋值为0，同时将剩余的像素点赋值为255，得到所有测试样本的检测结果。