申请/专利权人：西安宇速防务集团有限公司

申请日：2024-01-24

公开（公告）日：2024-07-05

公开（公告）号：CN117612020B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/764;G06V10/82;G06V10/26;G06N3/0475;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明公开了一种基于SGAN对抗神经网络遥感影像要素变化的检测方法，步骤：S1图像预处理：对选取的遥感影像进行预处理；S2构建SGAN网络模型：基于SGAN对抗神经网络构建变化检测网络模型；S3模型训练：采用不同的训练样本依次分别训练判别器、分类器和生成器，输出训练好的变化检测网络模型；S4模型检测：利用变化检测网络模型检测预处理后的遥感影像输出至少两张不同时期的地物分类和分类特征图；S5变化决策：分类特征图通过像素标签比对决策，判别变化区域输出变化特征图；S6矢量化：根据变化特征图的像素值生成变化的要素矢量并输出，同时赋予属性变化信息。该方法减少了分类后续工作，提升GIS数据分析利用效率。

主权项：1.一种基于SGAN对抗神经网络遥感影像要素变化的检测方法，其特征在于，具体包括以下步骤：S1图像预处理：选取至少两张同一地区不同时期的重叠光学遥感影像，并对选取的遥感影像进行预处理；S2构建SGAN网络模型：基于SGAN对抗神经网络，构建变化检测网络模型；S3模型训练：采用不同的训练样本依次分别训练判别器、分类器和生成器，输出训练好的变化检测网络模型；S4模型检测：利用训练好的变化检测网络模型检测步骤S1中预处理后的遥感影像，输出至少两张不同时期的地物分类和分类特征图；S5变化决策：分类特征图通过像素标签比对决策，判别变化区域，输出变化特征图；S6矢量化：根据变化特征图的像素值，生成变化的要素矢量并输出，同时赋予属性变化信息；所述步骤S1中选取同一地区两幅不同时期的重叠的光学遥感影像，通过配准、辐射校正、滤波、匀色和坐标转换，使两幅遥感影像具有相同的地理坐标；所述步骤S2中利用有标签真实样本、无标签真实样本和伪样本构建变化检测网络模型，所述变化检测网络模型包括生成器G和鉴别器，所述生成器G包括输入层、隐藏层和输出层；所述鉴别器包括判别器和分类器，所述判别器基于VGG网络，由13个卷积层和3个全连接层构成，其中采集的卷积核为3*3大小；所述分类器基于SVM网络在分类的同时根据特征分割提取，即对每个样本的特征点进行循环分类，再通过投票机制确定输出为哪一类并实现分割；所述步骤S2中的鉴别器的输入包含随机噪声Z生成的伪样本X*和有标签真实样本x,y和无标签真实样本x，通过鉴别器输出n+1个分类结果；所述步骤S3的具体步骤为：S31：训练判别器：采用有标签真实样本x,y进行有监督训练，抽取几十或上百个有标签真实样本x,y，计算给定该批量样本的Dx,y并反向传播多分类损失，更新判别器的参数θD，以使损失最小化，其公式为： ；其中，为有标签真实样本x,y的数量；有标签真实样本x,y代表输入样本的特征值和标签；Dx,y代表有标签真实样本x,y真实的概率；θD为判别器的参数，反应模型区分真假的能力，其中D表示判别器，G表示区分分类器；表示θD处的梯度，表示判别器对于单个有标签真实样本x,y的概率值Dx,y的对数概率，表示判别器对于单个伪样本X*的概率值的对数概率，以改进判别器的性能；DX*为伪样本为真样本的概率；S32训练分类器：采用无标签真实样本x无监督训练，通过训练计算惩罚系数C以及核函数参数，使其达到最优解，惩罚系数C公式为： ；式中，为正则化参数，用于控制模型的复杂度；惩罚系数C的取值范围是[0.001,100]；S33训练生成器：采用加入随机噪声Z的伪样本X*无监督训练，抽取几十或上百个的随机噪声Z生成几十或上百个伪样本的集合，记为：Gz=X*，计算给定该批量样本的DX*并反向传播二元分类损失更新生成器参数θG，以使损失最大化，其公式为： ；式中，为伪样本集合Gz的数量；X*为伪样本，DX*为伪样本为真样本的概率，θG为生成器的参数，表示θG处的梯度，表示判别器对于单个伪样本X*的概率值DX*的对数概率。

全文数据：

权利要求：

百度查询： 西安宇速防务集团有限公司 基于SGAN对抗神经网络遥感影像要素变化的检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD