变化表示和条纹提取:重新思考未经监督的高光谱图像变化检测与未经训练的网络

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 对于高光谱图像变化检测 (CD) 的深度学习在特征提取方面表现出色,但需要标记数据.
• 未经训练的网络避免了标记数据,但遭受了特征波动,导致CD结果不准确.
• 由于对数据的依赖,现有的方法在效率和普遍性方面扎.

研究的目的:

• 为高光谱图像 (HSI) 提出一种名为StripeCD.CD的新型无监督变化检测 (CD) 方法.
• 在CD中解决现有的深度学习和未经训练的网络方法的局限性.
• 开发一种方法,准确地模拟突出变化作为新特征空间中的条纹.

主要方法:

• 一个双分支未训练的卷积网络通过频道选择从比特时态HSI提取深度差异特征.
• 一个多尺度前向后向细分框架将特征转换为基于条纹的变化表示空间.
• 一个条纹形的变化提取模型利用全球稀疏性和局部不连续性来准确识别变化区域.

主要成果:

• 拟议的StripeCD方法与最先进的无监督CD方法相比,显示出更高的性能.
• 对三种广泛使用的超光谱数据集进行了实验,验证了该方法的有效性.
• StripeCD成功地以条纹形式表示和建模变化,提高检测准确度.

结论:

• StripeCD提供了一种有前途的无监督方法,用于超光谱图像变化检测.
• 该方法有效地将优化建模与未经训练的网络集成在一起,以获得可靠的CD.
• 未经训练的网络显示出在超光谱成像中可靠的变化检测的潜力.