论文阅读：Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network

用于SAR图像变化检测的深度级联网络
论文链接
本文提出一种用于SAR图像变化检测的深度级联网络（DCNet）。一方面，建立了一个非常好的DCNet来利用判别特征，并引入了残差学习来解决爆炸梯度问题。另外，采用融合机制来组合不同层次层的输出，以进一步缓解爆炸梯度问题。此外，为SAR变化检测设计了一个简单而有效的基于信道加权的模块。平均池和最大池用于汇总通道信息。强调有意义的通道特征，减少不必要的特征，因此可以减少特征图中的相似性，从而提高DCNet的分类性能。

• 处理过程

  

  1. 预分类和伪样本生成
     • 首先采用对数比运算生成DI，减少斑点噪声的影响。
     • 采用FCM算法对DI分类，分为三类Ωc，Ωu，Ωi，Ωc和Ωu分别表示改变的类和不变的类。 Ωi表示不确定类。 选择属于Ωc和Ωu的像素作为所提出的DCNet的可靠样本。 Ωi中的像素将由DCNET进一步分类。
  2. 通过DCNet分类并生成最终的变化图
     • 引入残差学习和batch normalization来优化卷积层，采用融合技术充分利用不同层的特征。
     • 设计了信道加权模块，以利用特征信道间的关系。

• DCNet结构

  

  1. 基于信道加权的残差块：将输入特征映射x∈Rw×w×c输入到卷积层中，得到F，并通过平均池和最大池算子在空间域中压缩F。 生成两个不同的空间特征描述符Favg∈R1×1×c和Fmax∈R1×1×c。将两个特征描述符分别输入两个FC层。在最后一个FC层中，平均池特性和最大池特性之间共享权重W2∈Rc×ct。 应用共享FC层后，使用元素求和合并输出特征向量。 基于信道加权的向量M计算为

     

     基于信道加权的特征Fcw可以表示为

     

     最后，通过Fcw和输入特征x的元素求和，计算了基于信道加权的残差块的输出。

  2. 特征融合： 三个基于信道加权的残差块组的特征分别表示为F1、F2和F3。为了匹配维度，使用64个内核对F1、F2和F3进行卷积。 每个内核的大小是1×1。融合过程可以通过像素级求和实现如下：

     

  3. 属于Ωc和Ωu的像素被视为所提出的DCNET的训练样本。 在获得训练模型后，Ωi中的像素可以通过模型进行分类。 将DCNET分类结果和预分类结果组合在一起形成变化图。变化图中，更改的像素被标记为“1”，未更改的像素被标记为“0。”