面向异质遥感影像变化检测的多模深度学习模型与方法

In recent year, the diversified means of remote sensing observation are becoming the new opportunities of the development of multitemporal remote sensing images change detection. Due to the limitations of the remote sensing imaging mechanism, the complexity of perception scene and the confounding of scene target, the heterogeneous data and change information diversification problems are the challenges existed in change detection in heterogeneous remote sensing images from academic research and practical application. This project focuses on the following main targets based on the latest research results in computer vision and deep learning. Specifically, in the first part, considering the properties of heterogeneous remote sensing images, it combines the multimodal deep learning and sparse representation to design a multimodal deep sparse feature learning model for difference image generation. In the second part, a discrimination criterion is embedded into the multimodal deep network to ensure that the features extracted is beneficial to detect change. And finally, mining the multilayer semantic information of remote sensing image, it designs a fusion mechanism to realize accurate and robust change detection in heterogeneous remote sensing image. This project has important significance to enrich multimodal deep learning model, and it hopes to provide a solid theoretical basis and feasible method guidance for change detection in heterogeneous remote sensing image.

近年来，遥感对地观测手段的多样化成为多时相遥感影像变化检测技术发展的新契机。受成像机理限制、感知场景复杂以及场景目标混杂等因素的影响，异质遥感影像数据异构及变化区域边缘模糊化成为变化检测所面临的主要挑战。本项目从多模深度学习的抽象表示与学习出发，结合计算机视觉及机器学习最新的研究成果，重点展开以下研究：（1）综合分析异质遥感影像的数据异构特性，结合稀疏表示理论，研究基于多模深度稀疏特征学习的差异图构造方法；（2）针对变化区域边缘模糊化问题，在多模深度网络模型中嵌入判别准则，构造多模深度判别网络模型，以获取有利于分类检测的判别性特征；（3）结合生物视觉认知机理，研究基于多模深度判别网络的特征融合机制，为异质遥感影像变化检测提供精确而鲁棒的方法。本项目的实施，以期丰富和完善多模深度学习以及异质遥感影像变化检测模型，同时为其应用提供坚实的理论依据和可行的方法指导。

遥感技术的发展带来了更高质量、更加多样化的数据资源，同一场景的数据呈现多元化与非结构化的发展趋势，异质数据的多时相遥感影像变化检测可以弥补同源数据对地物特征表述的不足。然而，由于遥感技术本身成像机理的限制、感知场景的复杂性以及场景目标混杂等因素的影响，使得异质遥感影像数据异构及变化区域边缘模糊化问题为遥感影像变化检测技术的成功应用引入新的处理难题。因此，本项目的主要研究目标是设计遥感图像变化检测模型及方法，主要关注有效的统计学习方法、相似性度量、深度特征学习及判别性特征融合几个方面。在统计分布方面，首先，本项目基于假设差异图像中像素的唯一性，利用广义高斯分布对SAR图像生成差异图像进行统计建模，通过Dempster-Shafer证据理论构造类空间特征的先验知识，并将其嵌入到期望最大化(Expectation-Maximization，EM)迭代过程中，因此可在Bayes框架下对变化区域进行精确的统计建模。其次，本项目提出了一种基于非局部不确定性分析的任务驱动相似度度量方法，结合Dempster-Shafer理论建立非局部-局部空间先验空间的不确定性表达，并嵌入到贝叶斯框架中构造不同地物的统计模型解决遥感图像分类问题。再次，本项目利用广义伽马混合模型对多种由SAR图像生成的差异图像进行像素级统计分布建模，并利用在此基础上构造的广义伽马分布的深度信念网（Generalized Gamma Deep Belief Network，gΓ-DBN）用于获取差异图像的高层抽象统计特性，进而对差异图像的统计特征进行融合以获取变化区域和背景区域中所蕴藏的判别性信息，进而生成最终的变化检测结果。在深度特征表示学习方面，本项目提出了一种基于卷积曲波神经网络(CurveCNet)的SAR图像变化检测方法。将曲波变换引入到卷积神经网络中，利用神经网络中学习隐含的共同层次特征，并以此保留SAR图像中的结构信息，抑制散斑噪声。该项目的实施可为实际应用中遥感图像统计特征学习以及变化检测提供一定的理论基础与可行的方法指导。