CN113239895A - 基于注意力机制的胶囊网络的sar图像变化检测方法 - Google Patents

基于注意力机制的胶囊网络的sar图像变化检测方法 Download PDF

Info

Publication number
CN113239895A
CN113239895A CN202110658151.6A CN202110658151A CN113239895A CN 113239895 A CN113239895 A CN 113239895A CN 202110658151 A CN202110658151 A CN 202110658151A CN 113239895 A CN113239895 A CN 113239895A
Authority
CN
China
Prior art keywords
capsule
image
attention mechanism
capsule network
network
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
CN202110658151.6A
Other languages
English (en)
Inventor
王少娜
王亚男
李林林
刘阳
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.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
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 Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN202110658151.6A priority Critical patent/CN113239895A/zh
Publication of CN113239895A publication Critical patent/CN113239895A/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
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

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

Abstract

本发明公开一种基于注意力机制的胶囊网络的SAR图像变化检测方法，具体包括：输入两幅SAR图像，生成差异图；通过稀疏表示的方法提取差异图上的稀疏特征,生成特征图；通过分层模糊聚类FCM的方法获得初始分类的伪标签,用于制作训练样本和测试样本集；构造基于注意力机制的轻量级胶囊网络，输入训练样本，训练优化网络，提取关键性的特征；测试网络，输出预测标签，生成变化检测图。本发明添加了注意力机制来关注感兴趣的特征区域，同时使用胶囊网络来增强网络对小样本数据集的泛化能力，提取图像的深层次特征。本方法有效提高了SAR图像变化检测的准确度。

Description

基于注意力机制的胶囊网络的SAR图像变化检测方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于注意力机制的胶囊网络的SAR图像变化检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是通过微波成像的雷达，其具有很强的穿透力，不受云层和光照等外在因素的影响，可以在任何天气条件下工作。此外，SAR具有较高的分辨率，可以获取地表较为详尽的信息。因此，SAR图像变化检测技术逐渐成为遥感图像处理领域非常有价值的研究热点之一。SAR图像变化检测的目的是识别出同一地理区域内不同时间获取的两幅SAR图像中的变化区域和不变区域。传统的变化检测方法通常包括比值法、阈值法和聚类法等。传统方法计算简单、容易实现，但是对于斑点噪声的抑制和图像的变化细节的检测效果不佳。
近年来，越来越多的学者将机器学习和深度学习的知识应用于遥感图像变化检测中。卷积神经网络(CNN)是应用最为广泛的网络结构,它可以通过自动学习提取鲁棒性的特征。但是，对于SAR图像的变化检测任务来说，CNN体现出了一定的弊端。CNN具有平移不变性，对于空间位置发生变化的物体，CNN的应用受到限制。此外，CNN需要大量的数据提高网络的泛化能力，不适合小样本的SAR图像变化检测任务。
在此基础上，胶囊网络的提出在一定程度上克服了CNN中的缺点，与CNN中的标量神经元不同，胶囊网络用向量来表示所描述对象的实例化参数，向量的长度表示实体存在的可能性。动态路由机制添加到胶囊网络中用于信息的传输。此外，注意力机制被广泛用于神经网络中，其通过调节感兴趣区域的学习权重提取更有效的特征。因此，本发明提出一种基于注意力机制的胶囊网络的SAR图像变化检测方法，在保留SAR图像关键信息的基础上减少神经网络对样本数据集的要求，同时提高了SAR图像变化检测的准确度。
发明内容
为了克服现有技术的不足，本发明提供一种基于注意力机制的胶囊网络的SAR图像变化检测方法，在少量训练数据的前提下，完成变化检测任务，提高了检测的准确度。
为实现上述目的，本发明提供了如下方案：
基于注意力机制的胶囊网络的SAR图像变化检测方法，包括以下步骤：
S1、选取同一地理区域在不同时刻的两幅SAR图像I1，I2，通过邻域对数比算子生成图像I1和图像I2的差分图像；
S2、通过稀疏表示提取所述差分图像上的稀疏特征，生成特征图；基于分层FCM方法从所述差分图像上获得初始变化图，作为预分类的伪标签，稀疏表示之后的特征图作为样本，并通过高置信度样本的挑选原则，将挑选出的样本作为训练集，剩余样本作为测试集；
S3、构建基于注意力机制的轻量级胶囊网络模型，输入所述训练集，训练胶囊网络学习图像更抽象的高级特征；
S4、输入所述测试集，测试胶囊网络，输出预测标签结果，生成变化检测图。
优选地，S2中，所述特征图的生成过程为：
从所述差分图像上以每个像素点为中心构造邻域大小为n×n的样本图像块，随机选取所述图像块将其拉成列向量，作为训练样本；通过KSVD方法从所述训练样本上学习字典，通过字典更新和稀疏编码获得所述差分图像上的稀疏特征，生成特征图。
优选地，S2中所述差分图像通过分层FCM方法生成初始变化图作为伪标签，所述伪标签中包含未变化类、中间类和变化类，其中未变化类和变化类统称为确定类；将所述稀疏表示之后特征图作为样本集，采用高置信度样本选择方法从所述确定类样本中筛选样本组成训练样本集，其他未被选择的确定类样本和中间类样本组成测试样本集。
优选地，S3中所述基于注意力机制的轻量级胶囊网络模型包括注意力模块，所述注意力模块采用空间注意力机制，用于突出感兴趣的特征区域。
优选地，所述基于注意力机制的轻量级胶囊网络模型还包括胶囊网络模块，所述胶囊网络模块包括三层轻量级的卷积层、主胶囊层、路由胶囊层和数字胶囊层。
优选地，所述胶囊网络模块中主胶囊层利用类卷积运算和压缩激活函数得到输出的胶囊向量，用于识别对象的高级判别特征；所述路由胶囊层采用动态路由机制，用于更新网络的耦合系数；所述数字胶囊层设置了两个胶囊，每个胶囊代表一个类别，输出的胶囊向量的长度用于表示识别为某个类别的概率值。
优选地，S3中训练胶囊网络的过程中，保存学习到的权值，将所述测试集输入到训练好的胶囊网络中，调用所述学习到的权值，输出对应的预测标签值，将网络的测试集预测结果和所述S2中训练集的预分类的伪标签组合在一起，生成变化检测图。
本发明的有益效果为：
(1)本发明提出了一种高置信度样本挑选方法，即根据分层聚类的结果，从确定类样本挑选可信度高的样本组成训练样本集，训练样本的准确度提高，网络的学习效果更佳。
(2)空间注意力机制的使用，使网络更加关注感兴趣的变化区域，提取了关键性的特征。空间注意力的加入，在未增加网络训练参数的基础上，提升了变化检测的准确度。
(3)轻量级胶囊网络模型的设计更适用小样本数据集的学习，利用浅层的网络便可达到传统网络的检测效果，节约了计算资源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程示意图；
图2为本发明中注意力模块结构图；
图3为本发明中胶囊网络模块结构图；
图4为本发明实施例中黄河农田验证数据集，其中(a)、(b)分别为同一黄河农田区域不同时间获取的两幅SAR图像，(c)为黄河农田验证数据集参考图；
图5为本发明实施例中旧金山验证数据集，其中(a)、(b)分别为旧金山同一地区不同时间获取的两幅SAR图像，(c)为旧金山验证数据集人工定义的参考图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提出的基于注意力机制的胶囊网络的SAR图像变化检测方法，如附图1所示。具体实现过程为：首先，选取同一地理区域的不同时间获取的两幅SAR图像，分别表示为：
I1＝{I1(i,j),1≤i≤M,1≤j≤N}，I2＝{I2(i,j),1≤i≤M,1≤j≤N}，
应用邻域对数比算子生成差异图，所述邻域对数比算子定义为：
Figure BDA0003114087620000051
其中,I1(m,n),I2(m,n),DI(m,n)分别表示两幅SAR输入图像和差异图上(m,n)位置上的像素值，
Figure BDA0003114087620000052
σ(m,n)表示(m,n)邻域内像素值的方差，μ(m,n)表示(m,n)邻域内的均值，系数θ为局部非均匀性的度量。
然后通过KSVD方法从所述差分图像上学习字典，通过字典更新和稀疏编码获得所述差分图像上的稀疏特征。具体实现过程为：对差异图DI进行采样，得到以每个像素为中心的n×n的图像块，然后按列展开组成样本矩阵；从样本矩阵中随机挑选k个列向量作为初始字典的原子，得到字典；稀疏编码，利用OMP算法，计算稀疏编码矩阵；使用SVD算法更新字典，循环更新字典和编码矩阵，直到达到指定的迭代步数或收敛到指定误差；最后使用更新完的字典计算稀疏编码矩阵得到特征图像。
编码过程采用公式：
Figure BDA0003114087620000061
其中，D表示学习字典，X表示稀疏编码矩阵，Y表示样本矩阵，每一列均为一个样本，Xi表示第i个稀疏表示的系数向量，T0表示Xi中非零元素个数的最大值。
其次，对上述差异图中的稀疏特征采用分层模糊C均值聚类方法将其分成变化类Ωc、中间类Ωi和未变化类Ωu三类，分别用“1”、“0.5”和“0”表示，作为预分类的伪标签。其中未变化类和变化类统称为确定类。将所述稀疏表示之后获得的每个像素的特征图作为样本集。为进一步提高预分类的准确度，采用高置信度样本选择方法从所述确定类样本中筛选合适的样本组成训练样本集，其他未被选择的确定类样本和中间类样本组成测试样本集。
高置信度样本选择过程如下：
假设以伪标签矩阵(i,j)位置为中心像素取n×n大小的邻域，记为Ni,j，Ni,j中变化像素总数为sumc。当
Figure BDA0003114087620000071
像素(i,j)属于变化类像素的可能性较大；当
Figure BDA0003114087620000072
像素(i,j)属于未变化类像素的可能性较大；满足上述两种条件其一的像素被选为高置信度训练样本。相反，当
Figure BDA0003114087620000073
时，像素(i,j)是位于变化类和未变化区域边界上的点，这类像素容易被错误分类，将其和上述中间类像素Ωi一起作为测试集。其中，常数项
Figure BDA0003114087620000074
用于控制样本的选择，
Figure BDA0003114087620000075
根据实验分析，取邻域大小为：n＝5，
Figure BDA0003114087620000076
之后，构建一种基于注意力机制的胶囊网络，用来挖掘显著性的关键特征，提取图像更加抽象的高级特征。所述网络模型包括两部分：注意力模块和胶囊网络模块。注意力模块采用空间注意力机制,如图2所示。输入稀疏表示之后的特征图，首先经过全局最大池化和全局平均池化，得到两个单通道的特征图；然后将所述两个单通道的特征图进行通道拼接，通过7×7的卷积层和sigmoid函数加权重点区域生成空间注意力；最后利用采样器将空间注意力与输入的特征图相乘得到输出特征图。实现过程表示如下：
Ms(F)＝σ(f7×7([AvgPool(F)；MaxPool(F)]))
Figure BDA0003114087620000077
其中，σ表示sigmoid函数，f7×7表示卷积核为7×7的卷积层，F表示输入特征，Ms(F)表示空间注意力，F'表示输出特征。
所述胶囊网络模块包括三层轻量级的卷积层，主胶囊层、路由胶囊层和数字胶囊层，用于提取更加鲁棒的高级特征。胶囊网络模块结构图如图3所示。其中三层卷积层中卷积核大小为3×3，卷积核的数量分别为8、16、32。在保证能提取到关键特征的基础上，降低了网络复杂度。主胶囊层主要利用类卷积运算和压缩激活函数(squashing)得到输出的胶囊向量v。胶囊向量计算如下：
Figure BDA0003114087620000081
其中，s表示胶囊向量，压缩激活函数squashing是一个归一化函数，能够将向量的长度归一化到0-1之间，表示实体的存在概率。卷积层提取到的特征作为主胶囊层的输入胶囊向量，生成4个8维的胶囊，使得输出的胶囊包含识别对象的高级判别特征。路由胶囊层定义了用来更新耦合参数的动态路由机制，通过胶囊的输出向量和预测向量的点积运算来计算输入与输出之间的相似性，进而更新网络的耦合系数和权值。除此之外，网络的其他参数都需要损失函数进行更新，损失函数采用Margin loss，计算公式为：
L＝Tkmax(0,m+-||v0||)2+λ(1-Tk)max(0,||v0||-m-)2
其中λ＝0.5，m+＝0.9，m-＝0.1；k取值为0或1，k＝0表示未变化类，k＝1表示变化类；Tk表示k类是否出现，若k类别出现，Tk＝1，否则，Tk＝0。数字胶囊层设置了两个胶囊，向量的维度为16维，每个胶囊代表一个类别。胶囊网络最后返回像素属于某个类别的概率值，输出预测标签结果。
网络训练过程中保存学习到的权值,将测试集输入训练好的胶囊网络，调用学习到的权值，输出对应的预测标签值。将网络的测试集预测结果和所述S2中训练集的预分类伪标签组合在一起，得到只包含“0”和“1”的变化检测二值图。其中，“0”代表未变化像素，“1”代表变化像素。
下面结合仿真实验，对本发明的仿真效果做进一步说明：
1.仿真环境：
本发明实施例的硬件测试平台是：处理器为Intel Core i5-7200，主频为2.5GHz，内存为4GB，软件平台为：Windows10系统、PyCharm2018和Matlab2016a平台。
2.仿真内容：
为了评估本发明提出方法在SAR图像上的有效性，以两个真实的SAR图像数据集为例，以误警数(FA)、漏检数(MA)、总体误差数(OE)、正确分类百分比(PCC)和Kappa系数作为衡量变化检测效果的评价指标，给出了本发明所提方法与模糊局部信息的C均值聚类算法(FLICM)、主成分分析和K-means聚类算法(PCA-K)、卷积小波神经网络(CWNN)三种方法的对比试验。
本实施例所选择第一个数据集是2008年6月和2009年6月雷达2号卫星获取的黄河农田数据集的一部分，图像大小为256×256像素，两幅多时相SAR图像如图4(a)和4(b)所示，图4(c)为该数据集的参考图。第二个数据集是ERS-2卫星SAR传感器在2003年8月和2004年5月获取的旧金山地区的图像，如图5(a)和5(b)所示，图像大小为256×256像素，图5(c)为人工定义的参考图。
3.仿真结果及分析：
表1给出了Farmland数据集的变化检测结果，本发明提出的方法的OE值相比其他三种对比方法大大减小，且达到了最高的PCC和Kappa值。表2给出了San Francisco数据集的变化检测结果，本发明提出的方法中误警个数明显减少，Kappa系数明显的提升。从实验仿真结果来看，本发明提出的一种基于注意力机制的胶囊网络的SAR图像变化检测方法在两个数据集上的检测效果优于其他三种对比方法，证实了发明中方法的有效性。
表1
方法 FA MA OE PCC(％) Kappa
FLICM 491 4462 4953 93.33 0.7456
PCA-K 2937 2531 5468 92.64 0.7544
CWNN 1449 1871 3320 95.53 0.8473
本发明方法 502 2302 2804 96.22 0.8656
表2
方法 FA MA OE PCC(％) Kappa
FLICM 1024 221 1245 98.10 0.8674
PCA-K 922 353 1275 98.05 0.8612
CWNN 619 372 991 98.49 0.8888
本发明方法 285 455 740 98.87 0.9135
本发明提出了一种高置信度样本挑选方法，即根据分层聚类的结果，从确定类样本挑选可信度高的样本组成训练样本集，训练样本的准确度提高，网络的学习效果更佳。空间注意力机制的使用，使网络更加关注感兴趣的变化区域，提取关键性的特征。空间注意力的加入，在未增加网络训练参数的基础上，提升了变化检测的准确度。轻量级胶囊网络模型的设计更适用小样本数据集的学习，利用浅层的网络便可达到传统网络的检测效果，节约了计算资源。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.基于注意力机制的胶囊网络的SAR图像变化检测方法，其特征在于，包括以下步骤：
S1、选取同一地理区域在不同时刻的两幅SAR图像I1，I2，通过邻域对数比算子生成图像I1和图像I2的差分图像；
S2、通过稀疏表示提取所述差分图像上的稀疏特征，生成特征图；基于分层FCM方法从所述差分图像上获得初始变化图，作为预分类的伪标签，稀疏表示之后的特征图作为样本，并通过高置信度样本的挑选原则，将挑选出的样本作为训练集，剩余样本作为测试集；
S3、构建基于注意力机制的轻量级胶囊网络模型，输入所述训练集，训练胶囊网络学习图像更抽象的高级特征；
S4、输入所述测试集，测试胶囊网络，输出预测标签结果，生成变化检测图。
2.根据权利要求1所述的基于注意力机制的胶囊网络的SAR图像变化检测方法，其特征在于，S2中，所述特征图的生成过程为：
从所述差分图像上以每个像素点为中心构造邻域大小为n×n的样本图像块，随机选取所述图像块将其拉成列向量，作为训练样本；通过KSVD方法从所述训练样本上学习字典，通过字典更新和稀疏编码获得所述差分图像上的稀疏特征，生成特征图。
3.根据权利要求1所述的基于注意力机制的胶囊网络的SAR图像变化检测方法，其特征在于，S2中所述差分图像通过分层FCM方法生成初始变化图作为伪标签，所述伪标签中包含未变化类、中间类和变化类，其中未变化类和变化类统称为确定类；将所述稀疏表示之后特征图作为样本集，采用高置信度样本选择方法从所述确定类样本中筛选样本组成训练样本集，其他未被选择的确定类样本和中间类样本组成测试样本集。
4.根据权利要求1所述的基于注意力机制的胶囊网络的SAR图像变化检测方法，其特征在于，S3中所述基于注意力机制的轻量级胶囊网络模型包括注意力模块，所述注意力模块采用空间注意力机制，用于突出感兴趣的特征区域。
5.根据权利要求4所述的基于注意力机制的胶囊网络的SAR图像变化检测方法，其特征在于，所述基于注意力机制的轻量级胶囊网络模型还包括胶囊网络模块，所述胶囊网络模块包括三层轻量级的卷积层、主胶囊层、路由胶囊层和数字胶囊层。
6.根据权利要求5所述的基于注意力机制的胶囊网络的SAR图像变化检测方法，其特征在于，所述胶囊网络模块中主胶囊层利用类卷积运算和压缩激活函数得到输出的胶囊向量，用于识别对象的高级判别特征；所述路由胶囊层采用动态路由机制，用于更新网络的耦合系数；所述数字胶囊层设置了两个胶囊，每个胶囊代表一个类别，输出的胶囊向量的长度用于表示识别为某个类别的概率值。
7.根据权利要求1所述的基于注意力机制的胶囊网络的SAR图像变化检测方法，其特征在于，S3中训练胶囊网络的过程中，保存学习到的权值，将所述测试集输入到训练好的胶囊网络中，调用所述学习到的权值，输出对应的预测标签值，将网络的测试集预测结果和所述S2中训练集的预分类的伪标签组合在一起，生成变化检测图。
CN202110658151.6A 2021-06-15 2021-06-15 基于注意力机制的胶囊网络的sar图像变化检测方法 Pending CN113239895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110658151.6A CN113239895A (zh) 2021-06-15 2021-06-15 基于注意力机制的胶囊网络的sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110658151.6A CN113239895A (zh) 2021-06-15 2021-06-15 基于注意力机制的胶囊网络的sar图像变化检测方法

Publications (1)

Publication Number Publication Date
CN113239895A true CN113239895A (zh) 2021-08-10

Family

ID=77139834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110658151.6A Pending CN113239895A (zh) 2021-06-15 2021-06-15 基于注意力机制的胶囊网络的sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN113239895A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926746A (zh) * 2022-05-25 2022-08-19 西北工业大学 基于多尺度差分特征注意力机制的sar图像变化检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780515A (zh) * 2017-01-04 2017-05-31 南京审计大学 一种脑部核磁共振图像中脑胶质瘤区域提取方法
CN109801305A (zh) * 2019-01-17 2019-05-24 西安电子科技大学 基于深度胶囊网络的sar图像变化检测方法
CN111950649A (zh) * 2020-08-20 2020-11-17 桂林电子科技大学 基于注意力机制与胶囊网络的低照度图像分类方法
CN111967537A (zh) * 2020-04-13 2020-11-20 江西理工大学 一种基于双路胶囊网络的sar目标分类方法
CN112270285A (zh) * 2020-11-09 2021-01-26 天津工业大学 一种基于稀疏表示和胶囊网络的sar图像变化检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780515A (zh) * 2017-01-04 2017-05-31 南京审计大学 一种脑部核磁共振图像中脑胶质瘤区域提取方法
CN109801305A (zh) * 2019-01-17 2019-05-24 西安电子科技大学 基于深度胶囊网络的sar图像变化检测方法
CN111967537A (zh) * 2020-04-13 2020-11-20 江西理工大学 一种基于双路胶囊网络的sar目标分类方法
CN111950649A (zh) * 2020-08-20 2020-11-17 桂林电子科技大学 基于注意力机制与胶囊网络的低照度图像分类方法
CN112270285A (zh) * 2020-11-09 2021-01-26 天津工业大学 一种基于稀疏表示和胶囊网络的sar图像变化检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GAO F 等: "Change detection from synthetic aperture radar images based on neighborhood-based ratio and extreme learning machine", 《JOURNAL OF APPLIED REMOTE SENSING》 *
GAO F 等: "Saliency-Guided Deep Neural Networks for SAR Image Change Detection"，《IEEE Transactions on Geoence and Remote Sensing", 《IEEE TRANSACTIONS ON GEOENCE AND REMOTE SENSING》 *
Y. GAO 等: "SAR Image Change Detection Based on Multiscale Capsule Network", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
吴亚聪: "基于深度注意胶囊的智能信号识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
陈晨: "基于分层模糊聚类与多目标优化的SAR图像分割", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
雷志明: "基于分层聚类的FCM算法", 《科技信息》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926746A (zh) * 2022-05-25 2022-08-19 西北工业大学 基于多尺度差分特征注意力机制的sar图像变化检测方法
CN114926746B (zh) * 2022-05-25 2024-03-01 西北工业大学 基于多尺度差分特征注意力机制的sar图像变化检测方法

Similar Documents

Publication Publication Date Title
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
Li et al. A deep learning method for change detection in synthetic aperture radar images
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
Gong et al. Feature learning and change feature classification based on deep learning for ternary change detection in SAR images
Guo et al. CDnetV2: CNN-based cloud detection for remote sensing imagery with cloud-snow coexistence
Venugopal Automatic semantic segmentation with DeepLab dilated learning network for change detection in remote sensing images
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
Yu et al. Vehicle detection from high-resolution remote sensing imagery using convolutional capsule networks
CN110633708A (zh) 一种基于全局模型和局部优化的深度网络显著性检测方法
CN110569738A (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN114998748B (zh) 遥感图像目标精细识别方法、电子设备及存储介质
CN114926693A (zh) 基于加权距离的sar图像小样本识别方法及装置
Liu et al. Survey of road extraction methods in remote sensing images based on deep learning
CN109034213B (zh) 基于相关熵原则的高光谱图像分类方法和系统
CN111639697B (zh) 基于非重复采样与原型网络的高光谱图像分类方法
Fan et al. A novel sonar target detection and classification algorithm
WO2023273337A1 (zh) 一种基于代表特征的遥感图像中的密集目标检测方法
CN112270285B (zh) 一种基于稀疏表示和胶囊网络的sar图像变化检测方法
Li et al. Enhanced bird detection from low-resolution aerial image using deep neural networks
Liang et al. Adaptive multiple kernel fusion model using spatial-statistical information for high resolution SAR image classification
Meng et al. Fine-grained ship recognition for complex background based on global to local and progressive learning
Aljabri et al. Extracting feature fusion and co-saliency clusters using transfer learning techniques for improving remote sensing scene classification
CN109145993A (zh) 基于多特征与非负自动编码器的sar图像分类方法
CN113239895A (zh) 基于注意力机制的胶囊网络的sar图像变化检测方法
Ma et al. Weakly supervised deep soft clustering for flood identification in SAR images

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