CN112215039A - 变化检测网络的训练方法、变化检测方法、装置及介质 - Google Patents

变化检测网络的训练方法、变化检测方法、装置及介质 Download PDF

Info

Publication number
CN112215039A
CN112215039A CN201910622065.2A CN201910622065A CN112215039A CN 112215039 A CN112215039 A CN 112215039A CN 201910622065 A CN201910622065 A CN 201910622065A CN 112215039 A CN112215039 A CN 112215039A
Authority
CN
China
Prior art keywords
remote sensing
change detection
sensing image
image
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910622065.2A
Other languages
English (en)
Inventor
李聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201910622065.2A priority Critical patent/CN112215039A/zh
Publication of CN112215039A publication Critical patent/CN112215039A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种变化检测网络的训练方法、变化检测方法、装置及存储介质，其中，所述的变化检测网络的训练方法包括：获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像；通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值；根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失；基于所述区域损失，调整所述变化检测网络的网络参数。

Description

变化检测网络的训练方法、变化检测方法、装置及介质
技术领域
本申请涉及遥感技术领域，具体涉及一种变化检测网络的训练方法、变化检测方法、装置及存储介质。
背景技术
变化检测在遥感领域中有着极为广泛的应用，随着高分辨数据增多，更精细变化的准确提取成为迫切需求。但目前的变化检测方法的识别精度还有待进一步提高。
发明内容
本申请提供一种变化检测网络的训练方法及应用训练好的变化检测网络进行变化检测的技术方案。
第一方面，本申请实施例提供了一种变化检测网络的训练方法，所述方法包括：获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像；通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值；根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失；基于所述区域损失，调整所述变化检测网络的网络参数。
在一种可能的实现方式中，所述通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到所述遥感图像对样本的区域预测值，包括：对所述遥感图像对样本中的其中一个图像进行随机平移扰动处理，得到预处理后的遥感图像对样本；对所述预处理后的遥感图像对样本进行检测处理，得到所述遥感图像对样本的区域预测值。
在一种可能的实现方式中，所述通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值，包括：通过所述变化检测网络对所述遥感图像对样本中的第一图像和第二图像进行卷积处理，得到第一初始特征图和第二初始特征图；对所述第一初始特征图和所述第二初始特征图分别进行实例归一化处理，得到所述第一图像的第一特征图和所述第二图像的第二特征图；基于所述第一图像的第一特征图和所述第二图像的第二特征图，得到所述遥感图像对样本的区域预测值。
在一种可能的实现方式中，所述通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值，包括：对所述遥感图像对样本中包括的第一图像和第二图像进行特征提取处理，得到所述第一图像的第三特征图和所述第二图像的第四特征图；分别对所述第三特征图和所述第四特征图进行至少一种尺寸变换处理，得到至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图；基于所述至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图，确定所述遥感图像对样本的区域预测值。
在一种可能的实现方式中，所述基于所述至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图，确定所述遥感图像对样本的区域预测值，包括：基于每个预设尺寸的第一变换特征图和第二变换特征图，确定所述每个预设尺寸对应的多个区域中每个区域的区域预测值；基于每个预设尺寸对应的多个区域中每个区域的区域预设值以及所述每个区域对应的标注，确定所述遥感图像的区域预测值。
在一种可能的实现方式中，所述方法还包括：通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本中多个像素的预测值；基于所述多个像素的预测值，得到所述变化检测网络的像素损失；所述基于所述区域损失，调整所述变化检测网络的网络参数，包括：基于所述区域损失和所述像素损失，调整所述变化检测网络的网络参数。
第二方面，本申请实施例提供了一种变化检测方法，所述方法包括：获取遥感图像对；通过变化检测网络对所述遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果；其中，所述变化检测网络采用权利要求上文所述的方法训练得到。
第三方面，本申请实施例提供了一种变化检测方法，所述方法包括：获取遥感图像对，所述遥感图像对包括第三图像和第四图像；对所述遥感图像对中的一个图像进行随机平移扰动处理，得到预处理后的遥感图像对；对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果。
在一种可能的实现方式中，所述对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果，包括：对所述遥感图像对中的第三图像和第四图像进行卷积处理，得到第三初始特征图和第四初始特征图；对所述第三初始特征图和所述第四初始特征图分别进行实例归一化处理，得到所述第三图像的第五特征图和所述第四图像的第六特征图；基于所述第三图像的第五特征图和所述第四图像的第六特征图，得到所述遥感图像对的区域预测值。
第四方面，本申请实施例提供了一种变化检测网络的训练装置，所述装置包括：样本确定模块，用于获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像；预测模块，用于通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值；损失确定模块，用于根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失；训练模块，用于基于所述区域损失，调整所述变化检测网络的网络参数。
在一种可能的实现方式中，所述预测模块，还用于：对所述遥感图像对样本中的其中一个图像进行随机平移扰动处理，得到预处理后的遥感图像对样本；对所述预处理后的遥感图像对样本进行检测处理，得到所述遥感图像对样本的区域预测值。
在一种可能的实现方式中，所述预测模块，还用于：通过所述变化检测网络对所述遥感图像对样本中的第一图像和第二图像进行卷积处理，得到第一初始特征图和第二初始特征图；对所述第一初始特征图和所述第二初始特征图分别进行实例归一化处理，得到所述第一图像的第一特征图和所述第二图像的第二特征图；基于所述第一图像的第一特征图和所述第二图像的第二特征图，得到所述遥感图像对样本的区域预测值。
在一种可能的实现方式中，所述预测模块，还用于：对所述遥感图像对样本中包括的第一图像和第二图像进行特征提取处理，得到所述第一图像的第三特征图和所述第二图像的第四特征图；分别对所述第三特征图和所述第四特征图进行至少一种尺寸变换处理，得到至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图；基于所述至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图，确定所述遥感图像对样本的区域预测值。
在一种可能的实现方式中，所述预测模块，还用于：基于每个预设尺寸的第一变换特征图和第二变换特征图，确定所述每个预设尺寸对应的多个区域中每个区域的区域预测值；基于每个预设尺寸对应的多个区域中每个区域的区域预设值以及所述每个区域对应的标注，确定所述遥感图像的区域预测值。
在一种可能的实现方式中，所述预测模块，还用于通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本中多个像素的预测值；所述损失确定模块，还用于基于所述多个像素的预测值，得到所述变化检测网络的像素损失；所述训练模块，还用于基于所述区域损失和所述像素损失，调整所述变化检测网络的网络参数。
第五方面，本申请实施例提供了一种变化检测装置，所述装置包括：获取模块，用于获取遥感图像对；检测模块，用于通过变化检测网络对所述遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果；其中，所述变化检测网络采用上文所述的方法训练得到。
第六方面，本申请实施例提供了一种变化检测装置，所述装置包括：获取单元，用于获取遥感图像对，所述遥感图像对包括第三图像和第四图像；预处理单元，用于对所述遥感图像对中的一个图像进行随机平移扰动处理，得到预处理后的遥感图像对；检测单元，用于对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果。
在一种可能的实现方式中，所述检测单元，还用于：对所述遥感图像对中的第三图像和第四图像进行卷积处理，得到第三初始特征图和第四初始特征图；对所述第三初始特征图和所述第四初始特征图分别进行实例归一化处理，得到所述第三图像的第五特征图和所述第四图像的第六特征图；基于所述第三图像的第五特征图和所述第四图像的第六特征图，得到所述遥感图像对的区域预测值。
第七方面，本申请实施例提供了一种变化检测网络的训练装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请实施例所述的变化检测网络的训练方法的步骤。
第八方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行本申请实施例所述的变化检测网络的训练方法的步骤。
第九方面，本申请实施例提供了一种变化检测装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请各实施例所述的变化检测方法的步骤。
第十方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行本申请各实施例所述的变化检测方法的步骤。
本申请提供的技术方案，获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像；通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值；根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失；基于所述区域损失，调整所述变化检测网络的网络参数。如此，相对于传统的基于像素监督而引起的虚警率高的问题，本申请通过区域监督提供更宏观的语义监督，能对虚警进行显著抑制。
附图说明
图1为本申请实施例提供的一种变化检测网络的训练方法的实现流程示意图；
图2为本申请实施例提供的实例归一化的示意图；
图3为本申请实施例提供的基于像素级和区域级的多层次监督训练方案的示意图；
图4为本申请实施例提供的网络结构架构示意图；
图5为本申请实施例提供的一种变化检测方法的实现流程示意图一；
图6为本申请实施例提供的一种变化检测方法的实现流程示意图二；
图7为本申请实施例提供的一种变化检测网络的训练装置的组成结构示意图；
图8为本申请实施例提供的一种变化检测装置的组成结构示意图一；
图9为本申请实施例提供的一种变化检测装置的组成结构示意图二。
具体实施方式
为了使本技术领域的人员更好地理解本申请实施例方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。
本申请的说明书实施例和权利要求书及上述附图中的术语“第一”、“第二”、和“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种变化检测网络的训练方法，如图1所示，所述方法主要包括：
步骤101、获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像。
在一些可选实施例中，所述第一图像为原始遥感图像对样本包括的第一原始遥感图像的一个图像块，所述第二图像为所述原始遥感图像对样本包括的第二原始遥感图像中与所述一个图像块对应的图像块。
在一些可选实施例中，所述第一图像为原始遥感图像对样本包括的第一原始遥感图像，所述第二图像为原始遥感图像对样本包括的第二原始遥感图像，所述第一原始遥感图像和所述第二原始遥感图像是同一目标区域在不同时刻的遥感图像。
这里，所述第一原始遥感图像和所述第二原始遥感图像是在不同时间拍摄的关于同一目标区域的遥感图像。
需要说明的是，本实施例并不对不同时间之间的时间间隔进行限定。
步骤102、通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值。
在一些可选实施方式中，所述通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到所述遥感图像对样本的区域预测值，包括：对所述遥感图像对样本中的其中一个图像进行随机平移扰动处理，得到预处理后的遥感图像对样本；对所述预处理后的遥感图像对样本进行检测处理，得到所述遥感图像对样本的区域预测值。
如此，通过对图像对样本中的其中一个图像加入随机平移扰动，使得图像对样本中的图像产生人为的配准问题，将有配准质量问题的图像对样本中的图像作为训练样本进行训练，能够使训练得到的变化检测网络提升对数据配准质量的鲁棒能力，降低对所应用数据的预处理门槛。
在一些具体实施方式中，所述对所述遥感图像对样本中的其中一个图像进行随机平移扰动处理，包括：对所述遥感图像对样本中的其中一个图像，做向随机一个方向偏移一定距离处理。
需要说明的是，本实施例并不对偏移距离进行限定。
实际应用中，每次从遥感图像对样本中随机选取图像作为训练样本，以消除两张图片没有配准或对齐而导致模型精度的下降。
在一些可选实施方式中，所述通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值，包括：通过所述变化检测网络对所述遥感图像对样本中的第一图像和第二图像进行卷积处理，得到第一初始特征图和第二初始特征图；对所述第一初始特征图和所述第二初始特征图分别进行实例归一化处理，得到所述第一图像的第一特征图和所述第二图像的第二特征图；基于所述第一图像的第一特征图和所述第二图像的第二特征图，得到所述遥感图像对样本的区域预测值。
在一些可选实施方式中，所述通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值，包括：对所述遥感图像对样本中包括的第一图像和第二图像进行特征提取处理，得到所述第一图像的第三特征图和所述第二图像的第四特征图；分别对所述第三特征图和所述第四特征图进行至少一种尺寸变换处理，得到至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图；基于所述至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图，确定所述遥感图像对样本的区域预测值。
其中，所述分别对所述第三特征图和所述第四特征图进行至少一种尺寸变换处理，包括：分别对所述第三特征图和所述第四特征图进行至少一种池化处理。
在一些具体实施方式中，所述基于所述至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图，确定所述遥感图像对样本的区域预测值，包括：基于每个预设尺寸的第一变换特征图和第二变换特征图，确定所述每个预设尺寸对应的多个区域中每个区域的区域预测值；基于每个预设尺寸对应的多个区域中每个区域的区域预设值以及所述每个区域对应的标注，确定所述遥感图像的区域预测值。
示例性地，通过卷积变化检测网络(Convolutional Neural Network，CNN)提取各个图像块的图像特征。在网络浅层(一般为前几层)将批量归一化(Batch Normalization，BN)替换为IN，例如将“卷积层-批量归一化层-激活层(cov-BN-Relu)”结构替换为“卷积层-实例归一化层-激活层(cov-IN-Relu)”结构。
相比在CNN中最常用的BN层，考虑到遥感影像由于传感器设计、影像获取时空不同、成像质量等因素，更合理图像的归一化操作需要结合影像自身特点，本申请设计将网络浅层的BN操作替换为IN操作，以提升变化检测网络在实际应用中的泛化能力。
批量归一化处理是对一个批次中N个样本的第m个通道(channel)进行归一化，图2示出了实例归一化的示意图，如图2所示，实例归一化处理是对一个批次中每个样本的第m个通道(channel)进行归一化，与其他样本无关。
如此，相对于利用批量归一化方法对同一批次中N个图像块进行归一化来说，本申请采用实例归一化方法对同一个批次中每个样本进行归一化，能提升训练好的变化检测网络在实际应用中的泛化能力。
步骤103、根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失。
在一些可选实施方式中，所述根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失，包括：根据区域的损失权重系数、区域的第i个预设尺寸上第j个位置的真值以及区域的第i个预设尺寸上第j个位置的预测值，确定区域的损失值；其中，所述i为正整数，所述j为正整数。
在一种可能的实现方式中，可以基于多个预设尺寸中每个预设尺寸的区域损失，得到遥感图像对样本的区域损失。
在一种可能的实现方式中，对于多个预设尺寸对于每个预设尺寸，确定该预设尺寸对应的多个图像区域中每个图像区域的预测值，并基于预测值确定该区域的损失，然后，基于多个图像区域的损失，确定该预设尺寸的区域损失。
步骤104、基于所述区域损失，调整所述变化检测网络的网络参数。
由于区域监督以一个区域为单位进行监督，提供了更宏观的语义监督，能对虚警进行显著抑制。
上述方案中，所述方法还包括：通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本中多个像素的预测值；基于所述多个像素的预测值，得到所述变化检测网络的像素损失。
在一些可选实施方式中，所述基于所述多个像素的预测值，得到所述变化检测网络的像素损失，包括：根据像素的权重损失系数、像素的第i个位置的真值以及像素的第i个位置的预测值，确定像素损失值；其中，所述i为正整数。
所述基于所述区域损失，调整所述变化检测网络的网络参数，包括：基于所述区域损失和所述像素损失，调整所述变化检测网络的网络参数。
在一些可选实施方式中，所述基于所述区域损失和所述像素损失，调整所述变化检测网络的网络参数，包括：对所述区域损失和所述像素损失进行加权求和，得到所述变化检测网络的总损失；基于所述总损失，调整所述变化检测网络的网络参数。
在一些可选实施方式中，总损失函数可表示为：
Figure BDA0002125819970000101
其中，L表示总损失函数；Lregion表示区域级损失；Lregion表示区域级损失；λregion表示区域级损失权重系数；λpixel表示像素级权重损失系数；
Figure BDA0002125819970000102
表示区域级的第i个尺度上第j个位置的真值，
Figure BDA0002125819970000103
为区域级的第i个尺度上第j个位置的预测值；
Figure BDA0002125819970000104
表示像素级第i个位置的真值，
Figure BDA0002125819970000105
为像素级的第i个位置的预测值。
最后，基于使得总损失函数L最小化来训练变化检测网络。
图3示出了基于像素级和区域级的多层次监督训练方案的示意图，如图3所示，对于CNN从各个图像块中提取的图像特征，既进行像素级监督，又进行区域级监督，图3左半部分示出了区域级监督，图3右半部分示出了像素级监督。具体地，区域级监督包括将提取的图像特征池化到多个预设尺寸，如图3左半部分所示，将图像特征分别池化成2×2、3×3和6×6三个预设尺寸，然后分别计算出这三个预设尺寸下的区域损失，例如如上式所示，计算每个尺寸下对应的多个区域中每个区域的预测值与真值的差值，然后对多个区域进行求和，对这三个预设尺寸下的区域损失进行求和，得到区域级监督下的损失。如图3右半部分所示，像素级监督根据像素的第i个位置的真值以及像素的第i个位置的预测值，得到像素级监督下的损失。最后，根据区域级监督下的损失与像素级监督下的损失，得到变化检测网络的总损失。
如此，采用多层次监督训练方案，不仅通过像素级监督实现为网络提供更精细的监督，保证变化检测网络对变化有敏锐的探测；还能通过区域级监督提供更宏观的语义监督，实现对虚警的显著抑制。
本实施例所述技术方案提出了一种实现高分辨率遥感变化检测的变化检测网络训练方法，通过在数据层增加关于图像对样本的平移扰动，提升对配准误差的容错能力；在数据浅层用IN替换BN，通过实例归一化处理，提升对不同质量数据的适应能力，增强变化检测网络的泛化能力；通过像素级和区域级的多层次监督，增强语义信息学习，提升虚警抑制能力。
图4示出了一种网络架构示意图，如图4所示，该架构主要包括数据输入层、特征提取层和多层次监督训练层。
具体地，对位于图中最上端的数据输入层，数据成对输入，而且可以为其中数据对中的其中一个做相对平移扰动，对于真值不需其他操作。具体地，将其中一个图像随机向一个方向偏移一定距离，然后每次从图像对样本中随机选取图像块作为训练样本，以消除两张图片没有配准或对齐而导致模型精度的下降。
具体地，对位于图中部的特征提取层，利用CNN提取图像特征，在网络浅层(一般为前几层)将BN操作替换为IN操作，例如将cov-BN-Relu结构变成cov-IN-Relu结构，通过IN操作对同一个批次中每个样本的特征进行归一化，使得与其他样本的特征无关，以提升变化检测网络的泛化能力。
具体地，对位于图下端的多层次监督训练层，通过像素级监督为网络提供更精细监督，保证变化检测网络对变化有敏锐的探测；通过区域级监督，即以一个区域为单位进行监督，提供更宏观的语义监督，以对虚警进行显著抑制。
本实施例所述网络架构，可提升对高分辨率数据配准质量的鲁棒能力，减少由配准问题带来的检测虚警，降低对所应用数据的预处理门槛；还能提升高分辨率数据中对高楼倾斜、遮挡，阴影等问题的语义理解能力，抑制该类图像状态本身所带来的虚警，也能一定程度提升变化检测网络的适用性；另外，还提升对不同时空数据的处理能力，使变化检测网络的应用约束尽可能只受分辨率约束，解耦与卫星种类的关联，增强变化检测网络的迁移能力。
应理解，图4所示的网络架构为一种可选的具体实现方式，但不限于此。
还应理解，图4示的网络架构仅仅是为了示例本申请实施例，本领域技术人员可以基于图4的例子进行各种显而易见的变化和/或替换，得到的技术方案仍属于本申请实施例的公开范围。
通过本申请所述变化检测网络的训练方法所得的变化检测网络，至少能具有以下有益效果：
相对于传统的基于像素监督而引起的虚警率高的问题，本申请通过区域监督提供更宏观的语义监督，能对虚警进行显著抑制。
进一步地，通过像素级与区域级的多层次监督，不仅增强语义信息学习，提升虚警抑制能力，还能有效优化面对高分辨率中的高楼倾斜、遮挡，阴影常见问题；通过对提取的遥感图像对的图像特征进行实例归一化处理，提升对不同质量数据的适应能力，增强变化检测网络的泛化能力，可对更大时空范围数据进行直接预测；通过增加关于图像对的平移扰动处理，能降低高分辨率数据预处理门槛，即使存在配准误差的数据也能处理。本申请所述技术方案可用于各种变化检测任务中，对检测场景不做限定。比如，通过本申请所述变化检测网络的训练方法所得的变化检测网络，可应用到高分辨率影像变化检测、城市变化检测、林地变化检测、水土扰动、土地违规利用等场景。
对应地，本申请实施例提供了一种变化检测方法，如图5所示，所述方法包括：
步骤201：获取遥感图像对。
需要说明的是，本实施例并不对所述的不同时间之间的时间间隔进行限定。
步骤202：通过变化检测网络对所述遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果。
其中，所述变化检测网络采用上文所述的变化检测网络训练方法训练。
其中，所述变化检测结果包括：变化的特征，和/或，变化的过程。
本实施例所述技术方案，由于所述变化检测网络采用上文所述的变化检测网络训练方法训练，能有效优化面对高分辨率中的高楼倾斜、遮挡，阴影常见问题；显著提升其泛化能力，可对更大时空范围数据进行直接预测；降低高分辨率数据预处理门槛，即使存在配准误差的数据也能处理。
对应地，本申请实施例提供了一种变化检测方法，如图6所示，所述方法包括：
步骤301：获取遥感图像对。
其中，所述遥感图像对包括第三图像和第四图像。
在一些可选实施例中，所述第三图像为原始遥感图像对包括的第三原始遥感图像的一个图像块，所述第四图像为所述原始遥感图像对包括的第四原始遥感图像中与所述一个图像块对应的图像块。
在一些可选实施例中，所述第三图像为原始遥感图像对样本包括的第三原始遥感图像，所述第四图像为原始遥感图像对样本包括的第四原始遥感图像。
这里，所述第三原始遥感图像和所述第四原始遥感图像是在不同时间拍摄的关于同一目标区域的遥感图像。
步骤302：对所述遥感图像对中的一个图像进行随机平移扰动处理，得到预处理后的遥感图像对。
步骤303：对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果。
在一些可选实施方式中，所述对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果，包括：对所述遥感图像对中的第三图像和第四图像进行卷积处理，得到第三初始特征图和第四初始特征图；对所述第三初始特征图和所述第四初始特征图分别进行实例归一化处理，得到所述第三图像的第五特征图和所述第四图像的第六特征图；基于所述第三图像的第五特征图和所述第四图像的第六特征图，得到所述遥感图像对的区域预测值。
本实施例所述技术方案，能有效优化面对高分辨率中的高楼倾斜、遮挡，阴影常见问题；显著提升其泛化能力，可对更大时空范围数据进行直接预测；降低高分辨率数据预处理门槛，即使存在配准误差的数据也能处理。
对应上述变化检测网络的训练方法，本申请实施例提供了一种变化检测网络的训练装置，如图7所示，所述装置包括：样本确定模块10，用于获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像；预测模块20，用于通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值；损失确定模块30，用于根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失；训练模块40，用于基于所述区域损失，调整所述变化检测网络的网络参数。
在一些可选实施方式中，所述预测模块20，还用于：对所述遥感图像对样本中的其中一个图像进行随机平移扰动处理，得到预处理后的遥感图像对样本；对所述预处理后的遥感图像对样本进行检测处理，得到所述遥感图像对样本的区域预测值。
在一些可选实施方式中，所述预测模块20，还用于：通过所述变化检测网络对所述遥感图像对样本中的第一图像和第二图像进行卷积处理，得到第一初始特征图和第二初始特征图；对所述第一初始特征图和所述第二初始特征图分别进行实例归一化处理，得到所述第一图像的第一特征图和所述第二图像的第二特征图；基于所述第一图像的第一特征图和所述第二图像的第二特征图，得到所述遥感图像对样本的区域预测值。
在一些可选实施方式中，所述预测模块20，还用于：对所述遥感图像对样本中包括的第一图像和第二图像进行特征提取处理，得到所述第一图像的第三特征图和所述第二图像的第四特征图；分别对所述第三特征图和所述第四特征图进行至少一种尺寸变换处理，得到至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图；基于所述至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图，确定所述遥感图像对样本的区域预测值。
在一些可选实施方式中，所述预测模块20，还用于：基于每个预设尺寸的第一变换特征图和第二变换特征图，确定所述每个预设尺寸对应的多个区域中每个区域的区域预测值；基于每个预设尺寸对应的多个区域中每个区域的区域预设值以及所述每个区域对应的标注，确定所述遥感图像的区域预测值。
在一些可选实施方式中，所述预测模块20，还用于通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本中多个像素的预测值；所述损失确定模块30，还用于基于所述多个像素的预测值，得到所述变化检测网络的像素损失；所述训练模块40，还用于基于所述区域损失和所述像素损失，调整所述变化检测网络的网络参数。
本领域技术人员应当理解，图7中所示的变化检测网络的训练装置中的各处理模块的实现功能可参照前述变化检测网络的训练方法的相关描述而理解。本领域技术人员应当理解，图7所示的变化检测网络的训练装置中各处理单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。
实际应用中，上述的样本确定模块10、预测模块20、损失确定模块30和训练模块40的具体结构均可对应于处理器。所述处理器具体的结构可以为中央处理器(CPU，CentralProcessing Unit)、微处理器(MCU，Micro Controller Unit)、数字信号处理器(DSP，Digital Signal Processing)或可编程逻辑器件(PLC，Programmable Logic Controller)等具有处理功能的电子元器件或电子元器件的集合。其中，所述处理器包括可执行代码，所述可执行代码存储在存储介质中，所述处理器可以通过总线等通信接口与所述存储介质中相连，在执行具体的各单元的对应功能时，从所述存储介质中读取并运行所述可执行代码。所述存储介质用于存储所述可执行代码的部分优选为非瞬间存储介质。
本申请实施例提供的变化检测网络的训练装置，可提升对高分辨率数据配准质量的鲁棒能力，减少由配准问题带来的检测虚警，降低对所应用数据的预处理门槛；还能提升高分辨率数据中对高楼倾斜、遮挡，阴影等问题的语义理解能力，抑制该类图像状态本身所带来的虚警，也能一定程度提升变化检测网络的适用性；另外，还提升对不同时空数据的处理能力，使变化检测网络的应用约束尽可能只受分辨率约束，解耦与卫星种类的关联，增强变化检测网络的迁移能力。
本申请实施例还记载了一种变化检测网络的训练装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任意一个技术方案提供的变化检测网络的训练方法。
作为一种实施方式，所述处理器执行所述程序时实现：获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像；通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值；根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失；基于所述区域损失，调整所述变化检测网络的网络参数。
作为一种实施方式，所述处理器执行所述程序时实现：对所述遥感图像对样本中的其中一个图像进行随机平移扰动处理，得到预处理后的遥感图像对样本；对所述预处理后的遥感图像对样本进行检测处理，得到所述遥感图像对样本的区域预测值。
作为一种实施方式，所述处理器执行所述程序时实现：通过所述变化检测网络对所述遥感图像对样本中的第一图像和第二图像进行卷积处理，得到第一初始特征图和第二初始特征图；对所述第一初始特征图和所述第二初始特征图分别进行实例归一化处理，得到所述第一图像的第一特征图和所述第二图像的第二特征图；基于所述第一图像的第一特征图和所述第二图像的第二特征图，得到所述遥感图像对样本的区域预测值。
作为一种实施方式，所述处理器执行所述程序时实现：对所述遥感图像对样本中包括的第一图像和第二图像进行特征提取处理，得到所述第一图像的第三特征图和所述第二图像的第四特征图；分别对所述第三特征图和所述第四特征图进行至少一种尺寸变换处理，得到至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图；基于所述至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图，确定所述遥感图像对样本的区域预测值。
作为一种实施方式，所述处理器执行所述程序时实现：基于每个预设尺寸的第一变换特征图和第二变换特征图，确定所述每个预设尺寸对应的多个区域中每个区域的区域预测值；基于每个预设尺寸对应的多个区域中每个区域的区域预设值以及所述每个区域对应的标注，确定所述遥感图像的区域预测值。
作为一种实施方式，所述处理器执行所述程序时实现：通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本中多个像素的预测值；基于所述多个像素的预测值，得到所述变化检测网络的像素损失；基于所述区域损失和所述像素损失，调整所述变化检测网络的网络参数。
本申请实施例提供的变化检测网络的训练装置，可提升对高分辨率数据配准质量的鲁棒能力，减少由配准问题带来的检测虚警，降低对所应用数据的预处理门槛；还能提升高分辨率数据中对高楼倾斜、遮挡，阴影等问题的语义理解能力，抑制该类图像状态本身所带来的虚警，也能一定程度提升变化检测网络的适用性；另外，还提升对不同时空数据的处理能力，使变化检测网络的应用约束尽可能只受分辨率约束，解耦与卫星种类的关联，增强变化检测网络的迁移能力。
对应上述变化检测方法，本申请实施例提供了一种变化检测装置，如图8所示，所述装置包括：获取模块50，用于获取遥感图像对；检测模块60，用于通过变化检测网络对所述遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果；其中，所述变化检测网络采用上文所述的变化检测网络的训练方法训练。
本领域技术人员应当理解，图8中所示的变化检测装置中的各处理模块的实现功能可参照前述变化检测方法的相关描述而理解。本领域技术人员应当理解，图8所示的变化检测装置中各处理单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。
实际应用中，上述的获取模块50和检测模块60的具体结构均可对应于处理器。所述处理器具体的结构可以为CPU、MCU、DSP或PLC等具有处理功能的电子元器件或电子元器件的集合。其中，所述处理器包括可执行代码，所述可执行代码存储在存储介质中，所述处理器可以通过总线等通信接口与所述存储介质中相连，在执行具体的各单元的对应功能时，从所述存储介质中读取并运行所述可执行代码。所述存储介质用于存储所述可执行代码的部分优选为非瞬间存储介质。
本申请实施例提供的变化检测装置，能有效优化面对高分辨率中的高楼倾斜、遮挡，阴影常见问题；泛化能力强，可对更大时空范围数据进行直接预测；能降低高分辨率数据预处理门槛，即使存在配准误差的数据也能处理。
本申请实施例还记载了一种变化检测装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任意一个技术方案提供的变化检测方法。
作为一种实施方式，所述处理器执行所述程序时实现：获取遥感图像对，所述遥感图像对包括第三图像和第四图像；通过变化检测网络对所述遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果；其中，所述变化检测网络采用上文所述的变化检测网络的训练方法训练。
本申请实施例提供的变化检测装置，能有效优化面对高分辨率中的高楼倾斜、遮挡，阴影常见问题；泛化能力强，可对更大时空范围数据进行直接预测；能降低高分辨率数据预处理门槛，即使存在配准误差的数据也能处理。
对应上述变化检测方法，本申请实施例提供了一种变化检测装置，如图9所示，所述装置包括：获取单元91，用于获取遥感图像对，所述遥感图像对包括第三图像和第四图像；预处理单元92，用于对所述遥感图像对中的一个图像进行随机平移扰动处理，得到预处理后的遥感图像对；检测单元93，用于对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果。
在一些可选实施方式中，所述检测单元93，还用于：对所述遥感图像对中的第三图像和第四图像进行卷积处理，得到第三初始特征图和第四初始特征图；对所述第三初始特征图和所述第四初始特征图分别进行实例归一化处理，得到所述第三图像的第五特征图和所述第四图像的第六特征图；基于所述第三图像的第五特征图和所述第四图像的第六特征图，得到所述遥感图像对的区域预测值。
本领域技术人员应当理解，图9中所示的变化检测装置中的各处理模块的实现功能可参照前述变化检测方法的相关描述而理解。本领域技术人员应当理解，图9所示的变化检测装置中各处理单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。
实际应用中，上述的获取单元91、预处理单元92和检测单元93的具体结构均可对应于处理器。所述处理器具体的结构可以为CPU、MCU、DSP或PLC等具有处理功能的电子元器件或电子元器件的集合。其中，所述处理器包括可执行代码，所述可执行代码存储在存储介质中，所述处理器可以通过总线等通信接口与所述存储介质中相连，在执行具体的各单元的对应功能时，从所述存储介质中读取并运行所述可执行代码。所述存储介质用于存储所述可执行代码的部分优选为非瞬间存储介质。
本申请实施例提供的变化检测装置，能有效优化面对高分辨率中的高楼倾斜、遮挡，阴影常见问题；泛化能力强，可对更大时空范围数据进行直接预测；能降低高分辨率数据预处理门槛，即使存在配准误差的数据也能处理。
本申请实施例还记载了一种变化检测装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任意一个技术方案提供的变化检测方法。
作为一种实施方式，所述处理器执行所述程序时实现：对所述遥感图像对中的一个图像进行随机平移扰动处理，得到预处理后的遥感图像对；对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果。
作为一种实施方式，所述处理器执行所述程序时实现：对所述遥感图像对中的第三图像和第四图像进行卷积处理，得到第三初始特征图和第四初始特征图；对所述第三初始特征图和所述第四初始特征图分别进行实例归一化处理，得到所述第三图像的第五特征图和所述第四图像的第六特征图；基于所述第三图像的第五特征图和所述第四图像的第六特征图，得到所述遥感图像对的区域预测值。
本申请实施例提供的变化检测装置，能有效优化面对高分辨率中的高楼倾斜、遮挡，阴影常见问题；泛化能力强，可对更大时空范围数据进行直接预测；能降低高分辨率数据预处理门槛，即使存在配准误差的数据也能处理。
本申请实施例还记载了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行前述各个实施例所述的变化检测网络的训练方法。也就是说，所述计算机可执行指令被处理器执行之后，能够实现前述任意一个技术方案提供的变化检测网络的训练方法。
本领域技术人员应当理解，本实施例的计算机存储介质中各程序的功能，可参照前述各实施例所述的变化检测网络的训练方法的相关描述而理解。
本申请实施例还记载了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行前述各个实施例所述的变化检测方法。也就是说，所述计算机可执行指令被处理器执行之后，能够实现前述任意一个技术方案提供的变化检测方法。
本领域技术人员应当理解，本实施例的计算机存储介质中各程序的功能，可参照前述各实施例所述的变化检测方法的相关描述而理解。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种变化检测网络的训练方法，其特征在于，所述方法包括：
获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像；
通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值；
根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失；
基于所述区域损失，调整所述变化检测网络的网络参数。
2.根据权利要求1所述的方法，其特征在于，所述通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值，包括：
对所述遥感图像对样本中包括的第一图像和第二图像进行特征提取处理，得到所述第一图像的第三特征图和所述第二图像的第四特征图；
分别对所述第三特征图和所述第四特征图进行至少一种尺寸变换处理，得到至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图；
基于所述至少一种预设尺寸的第一变换特征图和所述至少一种预设尺寸的第二变换特征图，确定所述遥感图像对样本的区域预测值。
3.一种变化检测方法，其特征在于，所述方法包括：
获取遥感图像对；
通过变化检测网络对所述遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果；
其中，所述变化检测网络采用权利要求1至2任一所述的方法训练得到。
4.一种变化检测方法，其特征在于，所述方法包括：
获取遥感图像对，所述遥感图像对包括第三图像和第四图像；
对所述遥感图像对中的一个图像进行随机平移扰动处理，得到预处理后的遥感图像对；
对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果。
5.一种变化检测网络的训练装置，其特征在于，所述装置包括：
样本确定模块，用于获取遥感图像对样本，所述遥感图像对样本包括第一图像和第二图像；
预测模块，用于通过所述变化检测网络对所述遥感图像对样本进行检测处理，得到遥感图像对样本的区域预测值；
损失确定模块，用于根据所述遥感图像对样本的区域预测值，确定所述变化检测网络的区域损失；
训练模块，用于基于所述区域损失，调整所述变化检测网络的网络参数。
6.一种变化检测装置，其特征在于，所述装置包括：
获取模块，用于获取遥感图像对；
检测模块，用于通过变化检测网络对所述遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果；
其中，所述变化检测网络采用权利要求1至2任一所述的方法训练得到。
7.一种变化检测装置，其特征在于，所述装置包括：
获取单元，用于获取遥感图像对，所述遥感图像对包括第三图像和第四图像；
预处理单元，用于对所述遥感图像对中的一个图像进行随机平移扰动处理，得到预处理后的遥感图像对；
检测单元，用于对所述预处理后的遥感图像对进行变化检测处理，得到所述遥感图像对的变化检测结果。
8.一种变化检测网络的训练装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至2任一项所述的变化检测网络的训练方法。
9.一种变化检测装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求3至4任一项所述的变化检测方法。
10.一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，能够使得所述处理器执行权利要求1至2任一项所述的变化检测网络的训练方法，和/或，权利要求3至4任一项所述的变化检测方法。
CN201910622065.2A 2019-07-10 2019-07-10 变化检测网络的训练方法、变化检测方法、装置及介质 Pending CN112215039A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910622065.2A CN112215039A (zh) 2019-07-10 2019-07-10 变化检测网络的训练方法、变化检测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910622065.2A CN112215039A (zh) 2019-07-10 2019-07-10 变化检测网络的训练方法、变化检测方法、装置及介质

Publications (1)

Publication Number Publication Date
CN112215039A true CN112215039A (zh) 2021-01-12

Family

ID=74047564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910622065.2A Pending CN112215039A (zh) 2019-07-10 2019-07-10 变化检测网络的训练方法、变化检测方法、装置及介质

Country Status (1)

Country Link
CN (1) CN112215039A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180096457A1 (en) * 2016-09-08 2018-04-05 Carnegie Mellon University Methods and Software For Detecting Objects in Images Using a Multiscale Fast Region-Based Convolutional Neural Network
CN108805863A (zh) * 2018-05-02 2018-11-13 南京工程学院 深度卷积神经网络结合形态学检测图像变化的方法
CN109063569A (zh) * 2018-07-04 2018-12-21 北京航空航天大学 一种基于遥感影像的语义级变化检测方法
CN109800629A (zh) * 2018-12-05 2019-05-24 天津大学 一种基于卷积神经网络的遥感图像目标检测方法
CN109886106A (zh) * 2019-01-15 2019-06-14 浙江大学 一种基于深度学习的遥感图像建筑物变化检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180096457A1 (en) * 2016-09-08 2018-04-05 Carnegie Mellon University Methods and Software For Detecting Objects in Images Using a Multiscale Fast Region-Based Convolutional Neural Network
CN108805863A (zh) * 2018-05-02 2018-11-13 南京工程学院 深度卷积神经网络结合形态学检测图像变化的方法
CN109063569A (zh) * 2018-07-04 2018-12-21 北京航空航天大学 一种基于遥感影像的语义级变化检测方法
CN109800629A (zh) * 2018-12-05 2019-05-24 天津大学 一种基于卷积神经网络的遥感图像目标检测方法
CN109886106A (zh) * 2019-01-15 2019-06-14 浙江大学 一种基于深度学习的遥感图像建筑物变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
伍佳 等: "顾及区域信息的卷积神经网络在影像语义分割中的应用", 《科学技术与工程》 *
邓志鹏等: "基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测", 《测绘学报》 *

Similar Documents

Publication Publication Date Title
CN111160379B (zh) 图像检测模型的训练方法及装置、目标检测方法及装置
CN111178183B (zh) 人脸检测方法及相关装置
CN113012383B (zh) 火灾检测报警方法、相关系统、相关设备及存储介质
CN113627299B (zh) 一种基于深度学习的导线漂浮物智能识别方法及装置
CN113989858A (zh) 一种工作服识别方法及系统
CN115359366A (zh) 基于参数优化的遥感图像目标检测方法
CN110443179B (zh) 离岗检测方法、装置以及存储介质
CN111563492B (zh) 一种跌倒检测方法、跌倒检测装置及存储装置
CN116229419B (zh) 一种行人检测方法及装置
CN117787690A (zh) 吊装作业安全风险识别方法及识别装置
CN112132867A (zh) 一种遥感影像变换检测方法及装置
CN112070035A (zh) 基于视频流的目标跟踪方法、装置及存储介质
CN112215039A (zh) 变化检测网络的训练方法、变化检测方法、装置及介质
CN116704324A (zh) 基于水下图像的目标检测方法、系统、设备以及存储介质
CN116310832A (zh) 遥感图像处理方法、装置、设备、介质及产品
CN113298755B (zh) 基于时序影像的生态环境变化斑块快速检测方法和装置
CN112633158A (zh) 一种输电线路走廊车辆识别方法、装置、设备和存储介质
CN115019055A (zh) 一种图像匹配方法、装置、智能设备及存储介质
CN116152660B (zh) 一种基于跨尺度注意力机制的广域遥感图像变化检测方法
CN115546793B (zh) 水尺刻度自动读数方法、系统及电子设备
CN115187918B (zh) 一种监控视频流中移动物体的识别方法及系统
CN117152622B (zh) 边界优化模型训练、边界优化方法、装置、设备及介质
CN109902555A (zh) 一种基于对象的多尺度层次表达学习的变化检测方法
CN114283160A (zh) 目标检测方法及相关设备
CN115346136A (zh) 一种基于特征融合的遥感图像目标检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210112