1. Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet（2016）

2. A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images（2018）

3. Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network（2019）

转载&参考博客

1. Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet（2016）

论文地址：Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet | IEEE Journals & Magazine | IEEE Xplore

摘要：

文章提出基于PCANet的多时相合成孔径雷达图像变化检测方法。
该方法利用每个像素的代表性邻域特征，采用PCA滤波器作为卷积滤波器。给定两幅多时相图像，利用Gabor小波和模糊c-均值来选择具有较高变化或不变概率的感兴趣像素。然后，生成以感兴趣像素为中心的新图像补丁，并使用这些补丁训练PCANet模型。最后，利用训练后的PCANet模型对多时相图像中的像素进行分类。将PCANet分类结果和预分类结果相结合，形成最终的变化图。

结构：

步骤：

预分类：使用log-ratio算子生成log-ratio图像。然后，利用Gabor小波和FCM算法对有较大概率发生变化或不变的兴趣点进行选择。剩下的像素将在步骤3中进一步确定。
PCANet模型训练：生成以感兴趣像素为中心的新图像块。PCANet模型使用这些补丁进行训练。
变化和不变像素分类：使用训练好的PCANet模型，将步骤1中剩余的像素进一步划分为变化和不变类。然后，将PCANet分类结果与预分类结果相结合，形成最终的变化图。

创新点：采用了PCANet与传统方法相结合的方式解决新问题，并提高精确度。

参数选择：

结果：

可视化：c为ground true。

总结：

提出了一种基于层次FCM聚类和PCANet的SAR图像变化检测方法。该方法利用每个像素的代表性邻域特征，采用PCA滤波器作为卷积滤波器。然后，该方法对散斑噪声具有较强的鲁棒性，产生较低的虚警数。与四种密切相关的方法相比，该方法表现出良好的性能。

2. A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images（2018）

论文地址：A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images - PubMed

主要内容：

基于光学传感器和雷达在不同日期获取的两幅异构图像，本文提出一种无监督深度卷积耦合网络用于变化检测。现有的变化检测方法大多基于同质图像。由于光学传感器与雷达传感器的互补性，基于异质图像(光学图像和合成孔径雷达图像)的变化检测越来越受到人们的关注。该网络是对称的，每边由一个卷积层和几个耦合层组成。将连接到网络两侧的两幅输入图像分别转换到特征空间中，使其特征表示更加一致。在这个特征空间中，计算不同的地图，然后应用阈值算法得到最终的检测地图。通过优化耦合函数来学习网络参数。学习过程是无监督的，不同于现有的基于异构图)的变化检测方法。

论文提出了一种对称卷积耦合网络(SCCN)用于异构图像的变化检测。SCCN有三个主要特征。

首先，该网络具有对称结构，两侧各由卷积层和耦合层组成，用于特征提取和转换。
其次，通过最小化耦合函数，从网络的两侧同时通过分层耦合层进行特征转换，该函数测量像素级差异对不变像素的求和。
第三，首先使用分层特征提取器对网络参数进行初始化，并结合图像的某些噪声模型，以减少噪声的影响，提取有用的特征，方便学习过程。

与上述基于异构图像的变化检测方法不同，本文方法是完全无监督的，在学习过程中自动识别并利用不变的像素点。

架构：

本文主要是通过无监督方法（DAE+Siamese）对异质图像（光学图像和合成孔径雷达图像）进行相似性比较，具体步骤如下：

先使用去噪自编码器对两张图片进行预训练更新网络参数集
优化耦合函数（其实就是Siamese与伪Siamese的结合），也就是网络训练过程，对不变区域进行对齐
将图片输入训练好的网络，差异图为两张特征图直接进行距离计算

创新点：

输入图片先利用去噪自编码器配合概率模型（光学图像用高斯噪声，SAR用散斑噪声）进行去噪

由于SCCN是双边的，使损失函数中耦合函数关于和θ的最小值可能导致退化的特征表示，即h1(x, y)≡h2(x, y)≡C, C是一个常数。

解决：首先将DAE应用到SCCN的每一边。然后，由DAE推导出的一侧网络参数是固定的。然后，以DAE获得的参数为起点，学习另一侧的网络参数，并通过反向传播进行最小化。无监督学习生成的一致特征空间可以很好地表示输入图像。同时，通过无监督特征学习方法对网络进行预训练，以此初始化网络参数，便于后续的反向传播算法。

3. Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network（2019）

论文地址： Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network | IEEE Journals & Magazine | IEEE Xplore

主要内容：

本文提出一种用于SAR图像变化检测的深度级联网络（DCNet）。一方面，建立了一个非常好的DCNet来利用判别特征，并引入了残差学习来解决爆炸梯度问题。另外，采用融合机制来组合不同层次层的输出，以进一步缓解爆炸梯度问题。此外，为SAR变化检测设计了一个简单而有效的基于信道加权的模块。平均池和最大池用于汇总通道信息。强调有意义的通道特征，减少不必要的特征，因此可以减少特征图中的相似性，从而提高DCNet的分类性能。

架构：

预分类和伪样本生成：

首先采用对数比运算生成DI，减少斑点噪声的影响。
采用FCM算法对DI分类，分为三类Ωc，Ωu，Ωi，Ωc和Ωu分别表示改变的类和不变的类。 Ωi表示不确定类。选择属于Ωc和Ωu的像素作为所提出的DCNet的可靠样本。 Ωi中的像素将由DCNET进一步分类。

通过DCNet分类并生成最终的变化图：

引入残差学习和batch normalization来优化卷积层，采用融合技术充分利用不同层的特征。
设计了信道加权模块，以利用特征信道间的关系。

DCNet结构：

基于信道加权的残差块：将输入特征映射x∈Rw×w×c输入到卷积层中，得到F，并通过平均池和最大池算子在空间域中压缩F。生成两个不同的空间特征描述符Favg∈R1×1×c和Fmax∈R1×1×c。将两个特征描述符分别输入两个FC层。在最后一个FC层中，平均池特性和最大池特性之间共享权重W2∈Rc×ct。应用共享FC层后，使用元素求和合并输出特征向量。基于信道加权的向量M计算为

基于信道加权的特征Fcw可以表示为

最后，通过Fcw和输入特征x的元素求和，计算了基于信道加权的残差块的输出。
特征融合：三个基于信道加权的残差块组的特征分别表示为F1、F2和F3。为了匹配维度，使用64个内核对F1、F2和F3进行卷积。每个内核的大小是1×1。融合过程可以通过像素级求和实现如下：
属于Ωc和Ωu的像素被视为所提出的DCNET的训练样本。在获得训练模型后，Ωi中的像素可以通过模型进行分类。将DCNET分类结果和预分类结果组合在一起形成变化图。变化图中，更改的像素被标记为“1”，未更改的像素被标记为“0。”

转载&参考博客

Change Detecion文献综诉_Nevermore93117的博客-CSDN博客

论文阅读：《Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet》 - lixinaa - 博客园

论文阅读：Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network - lixinaa - 博客园

【论文笔记】变化检测1（SAR图像）相关推荐

论文笔记（五）FWENet：基于SAR图像的洪水水体提取深度卷积神经网络（CVPR）
FWENet: a deep convolutional neural network for flood water body extraction based on SAR images 作者:J ...
SAR图像变化检测的评价方法
SAR图像变化检测的相对客观评价标准一般由虚警率,漏检率和总错误率构成,有些也加上算法的运行时间.关于虚警率和漏检率的问题,之前在第一次做这个的时候写错,被导师说了一顿,网上也没有发现这两个的计算方法 ...
论文笔记：基于深度学习的遥感影像变化检测综述
论文主要信息本篇博文主要是对该论文进行总结和翻译,如有错漏,欢迎指出.(目前仅对有监督学习部分进行了整理) 标题:Deep learning for change detection in remo ...
【论文笔记】：作物分类--多时相极化SAR数据的旱地作物分类研究
[论文笔记]:作物分类–多时相极化SAR数据的旱地作物分类研究单位:中国农业科学院农业资源与农业区划研究所一.摘要: 1.目的:对河北省冀州市棉花.玉米.水体和建筑进行分类,比较不同时相及分类方法 ...
图像内复制粘贴篡改取证matlab_[论文笔记] 篡改检测：RGB-N
[论文笔记] Learning Rich Features for Image Manipulation Detection 说在前面个人心得: 第一次关注篡改检测,最常见的篡改方式是拼接.复制移动 ...
目标检测论文解读复现之五：改进YOLOv5的SAR图像舰船目标检测
目标检测论文解读复现文章目录目标检测论文解读复现前言一.摘要二.网络模型及核心创新点三.应用数据集四.实验效果(部分展示) 五.实验结论六.投稿期刊介绍前言此前出了目标改进算法专栏 ...
图像隐写术分析论文笔记：Deep learning for steganalysis via convolutional neural networks
好久没有写论文笔记了,这里开始一个新任务,即图像的steganalysis任务的深度网络模型.现在是论文阅读阶段,会陆续分享一些相关论文,以及基础知识,以及传统方法的思路,以资借鉴. 这一篇是Medi ...
enet分割_[论文笔记] 图像语义分割——ENet（ICLR 2017）
[论文笔记] 图像语义分割--ENet(ICLR 2017) bluestyle • 2019 年 05 月 03 日介绍 Motivation: 移动应用上的实时像素级语义分割是一个重要的问题,然 ...
【论文笔记】面向机载应用的多传感器图像融合技术综述
在成像方面,各传感器均受一定条件的制约,同时,目标自身状态和周边环境的变化也会在单一传感器中产生较大的成像差异. 按照较为严格的定义,图像融合是指综合和提取两个或多个多源图像信息,获得对同一场景或者目 ...
Check It Again: Progressive Visual Question Answering via Visual Entailment 论文笔记
Check It Again: Progressive Visual Question Answering via Visual Entailment 论文笔记一.Abstract 二.引言三.R ...

【论文笔记】变化检测1（SAR图像）

1. Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet（2016）

2. A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images（2018）

3. Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network（2019）

转载&参考博客

【论文笔记】变化检测1（SAR图像）相关推荐

最新文章

热门文章