[发明专利]一种基于SAR深度全卷积神经网络的影像变化检测方法

权利要求书

1.一种基于SAR深度全卷积神经网络的影像变化检测方法，其特征在于，包括以下步骤：

S1、构建DFCN神经网络；

S2、训练所述DFCN神经网络；

S3、输入测试影像数据；

S4、利用训练好的所述DFCN神经网络输出所述测试影像变化检测结果；

其中，所述S1步骤具体包括以下步骤实现：

S11、编码阶段由多个卷积单元组和多个最大池化层组成，解码阶段为特征影像上采样部分和卷积层组成；

S12、在各卷积层的输入端引入批量归一化法，各卷积层的输出端使用ELU激活函数；

S13、利用卷积单元组提取影像特征数据和对提取的特征数据进行拷贝，以及采用最大池化层操作降低影像特征数据的特征维度；

所述S1步骤具体还包括以下步骤实现：S14、利用反卷积层重新构建影像的特征数据并与步骤S13中提取的特征数据进行叠加；

S15、在各反卷积层的输入端引入批量归一化法，用于保证每层输入数据的稳定性，各反卷积的输出端使用ELU激活函数；

S16、使用分类函数对最后卷积层的输出进行逻辑分类；

所述S2步骤包括以下步骤实现：

S21、构建训练样本集；

S22、初始化所述DFCN神经网络中各卷积核的网络参数；

S23、采用监管学习机制训练所述DFCN神经网络，并且利用步骤S21每轮分整数个批次、每批次输入一定数量带标签数据的不同时相影像数据；

所述各卷积核网络参数指DFCN神经网络中的权重和偏置；

所述监管学习机制训练所述DFCN神经网络的步骤具体包括以下步骤：

S231、选取代价函数并计算所述代价函数关于所述DFCN神经网络权重的偏导数和所述偏置的偏导数；

S232、设定所述DFCN神经网络的训练周期；

S233、根据步骤S22应用Adam优化器进行所述DFCN神经网络的迭代训练，用于更新DFCN神经网络中所述网络参数。

2.如权利要求1所述的一种基于SAR深度全卷积神经网络的影像变化检测方法，其特征在于，所述步骤S11中的卷积单元组包含两个卷积层。

3.如权利要求1所述的一种基于SAR深度全卷积神经网络的影像变化检测方法，其特征在于，所述解码阶段上采样部分通过反卷积层处理。

4.如权利要求1所述的一种基于SAR深度全卷积神经网络的影像变化检测方法，其特征在于，所述监管学习机制的步骤还包括设置训练参数，所述训练参数包括学习率、训练梯度。

5.如权利要求4所述的一种基于SAR深度全卷积神经网络的影像变化检测方法，其特征在于，所述DFCN神经网络的权重的偏导数和所述偏置的偏导数记为所述训练梯度。