一种半监督遥感图像变化检测模型的构建方法

本发明涉及遥感图像识别，具体为一种半监督遥感图像变化检测模型的构建方法。

背景技术：

1、目前，深度卷积神经网络(cnns)已经成功地应用于rs图像变化检测中。现有方法分为单流网络和双流网络，在单流网络中通常是将图像对直接合并输入网络，然后通过编码网络和解码网络提取特征，得到变化区域的预测。alcantarilla等人使用反卷积网络进行变化检测，该方法将粗略配准的图像对提供给深度反卷积网络，并预测变化区域；peng等人结合了从遥感图像中提取的低维特征和高维特征，然后使用注意模块增强特征识别能力，实现更准确的预测。以上所述单流网络方法通常是简单和有效的，可以使用神经网络来提取图像特征，以实现端到端变化检测，但所存在的最大的问题是对标记数据的依赖性。

2、为了缓解深度学习模型对标记数据的依赖性，研究人员提出了一些方法。半监督方法通常需要较小的标记数据集，然后在模型训练过程中结合大量的未标记数据，获得检测性能显著提高的模型；虚拟对抗性训练(vat)和半监督学习的深度学习方法使用一致性正则化来实现有意义的检测；还有一些方法使用无监督算法获得cd模型，并利用了对比损失和相似度计算，而不是使用标记数据，但是这些方法很容易检测到未发生变化的区域；然后，一些研究人员尝试使用弱标签来取代像素级的标签，如图像级的标签和边界框，虽然能够有效地提高了检测模型的性能，但还需要额外的人工对数据的注释。一些半监督方法应用生成对抗网络(gans)来解决模型对注释数据的依赖问题，使用生成网络获得模拟的分布数据和鉴别器来区分不同的图像，虽然这些方法提高了模型的鲁棒性，但它们并没有充分利用未标记的数据；另一种半监督cd方法对未标记数据引入了一致性正则化方法，它们对未标记的数据或其特征添加了强扰动，然后使用一致性损失来保持不同的预测结果的一致性，然而，该方法通常为每个像素的预测概率设置阈值而得到伪标签，它只包含原始rs图像的一部分，影响了变化对象的特征完整性，进而降低了变化检测的准确性。

技术实现思路

1、本发明为了解决现有技术所存在的上述技术问题，提供一种半监督遥感图像变化检测模型的构建方法。

2、本发明的技术方案是：一种半监督遥感图像变化检测模型的构建方法，按照以下步骤进行：

3、步骤1.将一个有标记数据集dl输入到深度学习模型中，对深度学习模型进行训练并记录训练过程中的三个时期，所述三个周期分别是model t1、model t2、model t3，训练过程中的损失函数为加权二元交叉熵损失函数；

4、所述加权二元交叉熵损失函数表达式如下：

5、

6、其中，lswbce表示加权二元交叉熵损失函数，i，j表示图像像素的空间位置索引，y(i，j)表示像素点(i，j)处的标记值，y(i，j)的值为0或1，且y(i，j)＝1表示有变化，y(i，j)＝0表示无变化，p(i,j)表示点(i，j)处的变化图值，m和n分别表示变化图维数，表示m维数据进行求和，表示n维数据进行求和，log表示对数函数，tp表示准确识别变化像素的数量，tn表示正确检测的无变化像素数量，fp表示误检测为变化像素的无变化像素数量，fn表示误检测为无变化像素的变化像素数量；

7、步骤2.基于所述的三个时期model t1、model t2、model t3，对无标记数据集dul进行不确定性计算，并对不确定性计算结果进行排序，再根据排序结果生成可靠的伪标记样本集和不可靠的伪标记样本集

8、所述不确定性计算的表达式如下：

9、

10、其中，表示通过tj模型为第i个无标记样本对预测的伪标记结果，且j＝1,2，表示通过预训练模型tk为第i个无标记样本对预测的伪标记结果，其中k＝3；n表示未标记图像对数量；δi表示第i个权重系数；meaniou(·)表示平均交并比计算函数；oa(·)表示整体准确率计算函数，表示对k-1个数据进行求和，表示对无标记样本集中的元素进行求和；

11、所述第i个权重系数δi的表达式如下：

12、

13、其中，mean(·)表示均值计算函数；

14、步骤3.采用可靠的伪标记样本集和有标记数据集dl对半监督检测模型进行训练并建立损失函数，构建半监督检测模型；

15、所述损失函数表达式如下：

16、lct-swbce＝αlct+(1-α)lswbce

17、其中，lct-swbce表示半监督检测模型进行训练的损失函数，lct表示对比损失函数，lswbce表示swbce损失函数；α表示组合权重系数。

18、优选的技术方案是所述可靠的伪标记样本集中的样本数占伪标记样本总数的50％。

19、本发明首先采用有标记数据集和加权二元交叉熵损失函数对预训练的模型进行调优，保存不同时期的模型；其次基于联合度量标准对预训练过程生成的伪标记样本的不确定性进行评估，并对伪标记样本的不确定性进行排序，进而将伪标记样本分为可靠数据集和不可靠数据集，再使用预训练模型获得可靠数据集的伪标签，形成伪标记数据集；最后将伪标记数据集和有标记数据集样本混合，用这些混合数据集样本对重新初始化的检测网络进行半监督训练，在半监督训练中，本发明分别预测了变化的像素和不变的像素，然后设计了特定的ct-swbce损失函数并优化了半监督的rs图像变化检测模型。本发明提高了伪标签质量，所构建的半监督变化检测模型泛化能力强，可有效提高遥感图像变化检测的准确性。

技术特征：

1.一种半监督遥感图像变化检测模型的构建方法，其特征在于按照以下步骤进行：

2.根据权利要求1所述的一种半监督遥感图像变化检测模型的构建方法，其特征在于：所述可靠的伪标记样本集中的样本数占伪标记样本总数的50％。

技术总结
本发明公开一种半监督遥感图像变化检测模型的构建方法，首先采用有标记数据集和加权二元交叉熵损失函数对预训练的模型进行调优，保存不同时期的模型；其次基于联合度量标准对预训练过程生成的伪标记样本的不确定性进行评估，并对伪标记样本的不确定性进行排序，进而将伪标记样本分为可靠数据集和不可靠数据集，再使用预训练模型获得可靠数据集的伪标签，形成伪标记数据集；最后将伪标记数据集和有标记数据集样本混合，用这些混合数据集样本对重新初始化的检测网络进行半监督训练，在半监督训练中，本发明分别预测了变化的像素和不变的像素，然后设计了特定的CT‑SWBCE损失函数并优化了半监督的RS图像变化检测模型。

技术研发人员：杨燕,王艳宁,朱蓓蓓
受保护的技术使用者：辽宁师范大学
技术研发日：
技术公布日：2024/11/11