CN115761502B 基于混合卷积的sar图像变化检测方法 （西安电子科技大学）

本发明公开了一种基于混合卷积的SAR图像式融合模块和标签更新模块级联组成的图卷积GECN进行训练；将被测试的SAR图像输入到训练取模块获取SAR图像局部和全局信息的多尺度特22a)建立包括卷积神经网络子模块CNNB、图卷积神经网络子模块GCNB和融合子模块组(4)将测试的SAR图像输入到训练好的GECN中得到GECN输出，对GECN的输出使用max函2.根据权利要求1所述的方法，其特征在于，步3该两个并联池化层，用于分别沿x轴方向和y轴方向对GCNB该两个并联连接的激活层，用于对GCNB输出的两个特征先进行激活得到注意力权重，再将这两个注意力权重分别左乘和右乘CNNB的输出5.根据权利要求1所述的方法，其特征在于，步骤3a)中l-3a2)使用梯度下降法更新GECN参数θ:6.根据权利要求1所述的方法，其特征在于，步骤3b)中3b1)计算预训练后GECN的输出与更新后的2logy'+(1_y2)log(1_y')]4[0002]SAR图像的变化检测在遥感领域中起着至关重要的作用，并因其广泛的应用而受(thenonlocalpatchsimilaritybasedgraph，NPSG)去测量异构图像之间的结构一致5的特征相加完成多尺度特征的融合。董慧慧的消融实验虽然证明了多尺度注意力的有效[0008]本发明的目的在于针对上述现有技术的不足，提出基于混合卷积的SAR图像变化[0011]1a)建立包括卷积神经网络子模块CNNB、图卷神经网络子模块GCNB和融合子模块更新模块更新初始标签，对预训练后GECN的输出和更新后的初始标签采用交叉熵损失函[0021](4)将测试的SAR图像输入到训练好的GECN中得到GECN输出，对GECN的输出使用[0023]1)本发明通过图卷神经网络子模块GCNB以压缩特征上的点向量为图节点，并沿x轴和y轴方向分别进行图卷积操作，因此可以在信息损失很少的情况下获取图像的全局信67yy8[0084]将这两个注意力权重分别左乘和右乘CNNB的输出得到初步融合特征，将初步。F19])；[0114]对渐进式融合模块的输出F使用两个核大小为1×1的卷积，得到一个两通道的特[0124]所述标签，包括预训练阶段使用的初始标签和训练阶段使用的更新后的初始标[0128]其中，θ是随机初始化得到的GECN初始参数，y1是初始标签，是GECN的输出，hθ参数θ:训练后GECN的输出与更新后的初始标签_[y2logy'+(1_y2)log(1_y')][0146]4.1)将被测试的SAR图像输入到训练好的GECN中得到[0149]4.2)根据GECN输出特征上每个位置最大值所在的通道对应着该位置像素点样本[0152]本发明的仿真环境选取了python3.8+pytorch1.7的框架，在GeForceRTX[0154]Bern数据集是由欧洲遥感2号卫星传感器分别于1999年4月和5月捕获的，图像大[0155]Ottawa数据集是由雷达卫星传感器分别于1997年5月和8月捕获的，图像大小为[0156]YellowRiverI数据集和YellowRiverIV数据集是YellowRiver数据集的两个[0158]在上述仿真条件下，分别用本发明和现有四个方法DDNet、SAFNet、MsCapsNet、量上述现有方法和本发明的差异，其性能指标包括总体误差OE、正确分类百分比PCC和[0183]DDNet是瞿小凡等人在IEEE上发表的用于SAR图像变化检测的方法，即：X.Qu,imagesusingadual_domainnetwork,”IEEEGeoscienceandRemoteSensing[0184]SAFNet是高云浩等人在IEEE发表的用于SAR图像变化检测的方法，即：Y.Gao,F.Gao,J.Dong,Q.Du,andH._C.Li,“Syntheticapertureradarimagechangedetectionviasiameseadaptivefusionnetwork,”IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,vol.14,pp.10748–10F.Gao,J.Dong,andH._C.Li,“SARimagechangedetectionbasecapsulenetwork,”IEEEGeoscienceandRemoteSensingLetters,vol.18,no.3,JiaoL,etal.Amultiscaleself_att