面向空时影像变化检测的多目标深度学习模型与方法

It is crucial to efficiently use the massive spatiotemporal imagery obtained by space-borne imaging sensors with costly expense. It is the key of improving the comprehensive applied ability of remote sensing and the challenge in the community of computer science as well. This project aims at solving the curse of dimensionality and relatively small sample problems met in change detection from massive, high-dimensional, heterogeneous multi-source remote sensing spatiotemporal imagery. Inspired from the cognitive mechanisms of the human brain, such as representation and structure sparsity, deep neural network (DNN) models with sparse representations and sparse connecting structures will be established. By designing efficient multi-objective optimization algorithms, the two types of models can be solved to adaptively achieve a reasonable balance between the representation ability and computational complexity. Based on the features of optical and radar imagery, it utilizes the representation and learning abilities of DNN to solve some key learning problems in difference representation learning, the analysis of the change-index image and changing-target classification, which provides robust approaches for detecting and recognizing changes in remote sensing target. It is expected to publish over 20 high quality papers, apply for over 8 patents, and train over 10 Ph.D. or Master students.

花费巨大代价通过星载/机载传感器获取的海量空时影像如何有效利用既是提高遥感综合应用能力的关键问题，也给计算机科学领域带来了挑战。本课题针对海量、高维、多源异质空时影像变化检测中的维数灾难和相对小样本难题，从人脑认知的结构稀疏与表示稀疏等特性出发，建立结构稀疏和表示稀疏的多目标深度神经网络模型。针对两类稀疏网络模型，设计高效的多目标优化算法，实现网络的表示能力和计算复杂度的自适应平衡。结合光学遥感影像和雷达影像的成像特点与地物特性，利用深度神经网络的特征表示与学习能力，求解多时相光学影像、雷达影像和多源异质影像变化检测中的差异表示学习、差异影像分析和变化目标分类中的关键学习问题，为复杂场景下遥感目标的变化检测及分析提供稳健的方法。发表高水平论文20篇以上；申请国家发明专利8项以上；培养博士、硕士研究生10人以上。

本课题严格按照研究计划进行，主要研究成果包括：针对海量、高维、多源异质空时影像变化检测中的维数灾难和相对小样本难题，建立结构稀疏和表示稀疏的多目标深度神经网络模型，分析了高光谱遥感图像端元提取和解混的多目标优化问题，设计了基于差分进化和粒子群优化等的高效多目标进化算法，实现了网络的表示能力和计算复杂度的自适应平衡。基于上述理论研究，提出了基于多目标演化生成对抗网络的SAR图像变化检测方法，有效克服了SAR图像存在斑点噪声的问题，从光谱、纹理、空间结构三个维度提取高分辨多光谱遥感图像变化信息，设计了基于超像素差异表示学习的变化检测框架。针对异源图像差异无法直接比较的问题，设计了针对异源图像的差异影像分析方法，通过深度神经网络将不同性质的图像转换到相同的特征空间，提出了基于条件对抗网络的异源图像变化检测方法，成功地将一幅图像翻译到与另一幅图像具有相同像素表示的观测空间。针对变化目标分类中的关键学习问题，建立了深度差异表示学习网络模型，将特征学习、差异估计和差异表示学习三个任务进行联合建模和训练，提出了基于迭代特征映射网络的多类变化检测框架，有效地识别变化目标的类别信息，并明确不同变化类别之间的关系。本课题共计发表高水平论文30篇，其中26篇发表在《IEEE Transactions on Evolutionary Computation》、《IEEE Transactions on Neural Networks and Learning Systems》、《IEEE Transactions on Cybernetics》等一区、二区权威期刊和《IJCAI》等A类会议上，申请国家发明专利14项且均已授权，培养博士6人、硕士研究生13人，研究成果获2020陕西省科学技术奖一等奖，指导博士生两人次获2021陕西省优秀博士学位论文奖，圆满完成了预期研究目标。