[发明专利]基于三元组语义关系学习的航拍遥感图像变化检测方法有效
申请号: | 201810385526.4 | 申请日: | 2018-04-26 |
公开(公告)号: | CN108596108B | 公开(公告)日: | 2021-02-23 |
发明(设计)人: | 陈克明;张梦雅;许光銮;闫梦龙 | 申请(专利权)人: | 中国科学院电子学研究所 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/40;G06K9/46;G06K9/62 |
代理公司: | 中科专利商标代理有限责任公司 11021 | 代理人: | 吴梦圆 |
地址: | 100190 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 三元 语义 关系 学习 航拍 遥感 图像 变化 检测 方法 | ||
1.一种基于三元组语义关系学习的航拍遥感图像变化检测方法,包括:
步骤A:构建基于三元组语义关系学习的双路深度神经网络模型;
步骤B:利用训练数据集训练所述双路深度神经网络模型;
步骤C:基于测试数据集和训练后的双路深度神经网络模型,得到测试数据集的特征表示;
步骤D:基于所述测试数据集的所述特征表示,计算两时相图像之间的欧式距离,得到一幅差异图像;以及
步骤E:利用阈值法对所述差异图像进行处理,得到变化检测结果;
其中,步骤A包括设置损失函数Triplet loss层,所述Triplet loss层满足如下正向计算公式:
其中,L(w)表示损失函数,Lp表示只考虑类间损失的函数,Lt表示传统的三元组损失函数,P表示网络输入的图像对的个数,w表示网络参数,λ表示用来衡量两个损失的一个权重,m1为一个常数,m2为一个比m1小的常数,表示输入特征图上每个像素的特征向量,表示与对应的特征向量的标签相同且距离最远的特征向量,表示与对应的特征向量的标签不同且距离最近的特征向量。
2.根据权利要求1所述的基于三元组语义关系学习的航拍遥感图像变化检测方法,所述步骤A还包括:
步骤A1:构建用于提取特征的基于101层残差网络的所述双路深度神经网络模型;
步骤A2:获取用于训练的三元组选择层。
3.根据权利要求2所述的基于三元组语义关系学习的航拍遥感图像变化检测方法,所述步骤A1包括:
步骤A1a:将101层的残差网络中的全连接层用全卷积层代替;
步骤A1b:采用带孔卷积扩大感受野的范围;以及
步骤A1c:采用带孔的空间金字塔池化方法提取不同尺度的特征。
4.根据权利要求2所述的基于三元组语义关系学习的航拍遥感图像变化检测方法,所述步骤A2包括:
步骤A2a:将经过训练的所述训练数据集中两时相的训练数据的特征表示通过级联层将其级联成一个特征图,该特征图满足下式:
fw(X)={fw(xij)|1≤i≤H,1≤j≤W}
其中,fw(xij)表示特征图标(i,j)上对应像素的特征向量,H,W表示当前特征图的高和宽;
步骤A2b:获取所述特征图上每个像素的特征向量记为anchor;
步骤A2c:获取与anchor标签相同且距离最远的特征向量记为positive;
步骤A2d:获取与anchor标签不同且距离最近的特征向量记为negative;
步骤A2e:将特征向量anchor、positive和negative组成三元组特征向量
5.根据权利要求2所述的基于三元组语义关系学习的航拍遥感图像变化检测方法,所述设置损失函数Triplet loss层还包括:依照下式计算所述Triplet loss层的偏导:
其中,h1(w)表示Lp对参数求偏导,h2(w)表示Lt对参数求偏导;
6.根据权利要求1所述的基于三元组语义关系学习的航拍遥感图像变化检测方法,所述步骤B中,利用所述训练数据集,采用随机梯度下降方法对双路深度神经网络进行训练。
7.根据权利要求1所述的基于三元组语义关系学习的航拍遥感图像变化检测方法,所述步骤C包括:将测试数据集作为步骤B获取的训练后的双路深度神经网络模型的输入,移除双路深度神经网络模型末尾的级联层、三元组选择层和损失函数层,保留多尺度特征融合层的输出作为测试数据集上学习得到的深度特征表示。
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中国科学院电子学研究所,未经中国科学院电子学研究所许可,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/201810385526.4/1.html,转载请声明来源钻瓜专利网。