基于无人机图像的地质遗迹变化检测方法研究
发布时间：2021-12-11 13:38
随着无人机设备的发展和普及,无人机航拍助力于自然界环境的监测和保护。其中,无人机巡逻监测通常用于解决人力监测中巡逻周期长,外界危险地区难以到达等问题。地质遗迹变化检测这一任务可以利用无人机获得高时间、空间分辨率的地质遗迹图像,这有利于及时发现地质遗迹的变化并采取管理和保护措施。通过无人机获取的大量地质遗迹图像需要地面地质学家运用变化检测方法从中发现可疑变化。然而,无人机拍摄的地质遗迹整体和局部的几何细节显示地质遗迹本体的纹理细节相当复杂。因此变化所在背景复杂,图像中地物细节差异大。现有的传统变化检测方法和基于图像分类的变化检测模型已不能满足高分辨率下复杂背景图像变化检测的要求。为缓解上述问题,本文提出了基于双生成器的变化检测网络模型,这是一种端到端的变化检测网络。采用基于条件生成对抗网络的图像转换结构来解决地质遗迹变化检测任务;并且,设计两个生成器一个判别器的架构,明确强制网络捕获各种模式,提升条件生成对抗网络训练的稳定性;添加类激活映射网络,通过可区分变化区域的类激活图来增强变化信息。为验证改进模型的合理性和优越性,本文根据第一个时期无人机拍摄的图像模拟第二个时期地质遗迹的变化,构建...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
训练一个cGAN从地图生成航空图像
用L2的图像更清晰。判别器的工作保持不变，但是生成器不仅要欺骗判别器，其生成的图像还要尽可能的逼近groundtruth。1()=,,[‖(,)‖1]（3-5）图像转换网络最终的目标函数是G=minmax(,)+1()（3-6）生成器使用“U-Net”结构[45]，在编码器（encoder）和解码器（decoder）之间增加跳线连接（skipconnections），即在第i层和第ni+1层之间添加跳线，其中n是网络的总层数。每根跳线简单的将第i层和第ni+1层的特征通道连结在了一起，以便在网络中直接传递能够共享的低级信息，本文使用的“U-Net”网络结构如图3-2所示。图3-2“U-Net”网络结构判别器使用“PatchGAN”[46]，即在有L1函数保证获得的低频信息准确性的情况下，判别器对高频信息建模只需要关注对局部图像块（patches），所以判别器只对patch规模的结构进行惩罚。经典GAN的判别器与PatchGAN的不同之处在于，前者输入整张图像，输出一个标量；后者输入一张图像，每个N×Npatch都得到一个标量。在整张图像上运行这个判别器（滑动窗口），取所有响应的平均值作为D的最后输出。本文使用的70×70的“PatchGAN”网络结构如图3-3所示。该网络使用标准的方法：各一次交替训练D和G，并用训练最大化log((,(,)))代替训练最小化log(1(,(,)))。Ck表示有k卷积核的Convolution-BatchNorm-ReLU层；CDk表示dropout
哈尔滨工业大学工程硕士学位论文-22-率为50%的Convolution-BatchNorm-Dropout-ReLU层。所有的卷积是4×4，步长为2的空间滤波器。在编码器和判别器中的卷积执行2倍的下采样，而在解码器中的卷积执行2倍的上采样。图3-370×70的“PatchGAN”网络结构3.3.3类激活映射在类似于GoogLeNet这样大部分由卷积层构成的网络体系结构上，并且于最终输出层之前，在卷积特征图上执行全局平均池化，然后将其用作产生所需输出（分类或其他）的全连接层的特征。鉴于此简单的连通性结构，可以把输出层权重映射回到卷积特征图上，从而获得图像中某些区域的重要性，这就是类激活映射（Classactivationmapping）[54]的技术。生成的类激活图（Classactivationmap，CAM）标定CNN具体在用图像中哪一个区域分辨类别。图3-4类激活映射工作示意[54]如图3-4所示，在最后卷积层执行全局平均池化，输出特征图每个单元的空间平均值。所有空间平均值的加权和用于生成最终输出。同样，计算最后一个卷积层特征图的加权和，以获得类激活图。对于一个给定图像，(,)代表在空间位置(,)处最后卷积层中单元k
【参考文献】：
期刊论文
[1]基于变化检测-CART决策树模式自动识别沙漠化信息[J]. 黄晓君,颉耀文,卫娇娇,付苗,吕利利,张玲玲. 灾害学. 2017(01)
博士论文
[1]基于对象的海岸带地物变化遥感检测技术的研究[D]. 张汉松.浙江大学 2010
[2]基于多时相遥感图像的变化检测[D]. 钟家强.国防科学技术大学 2005
本文编号：3534777
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
训练一个cGAN从地图生成航空图像
用L2的图像更清晰。判别器的工作保持不变，但是生成器不仅要欺骗判别器，其生成的图像还要尽可能的逼近groundtruth。1()=,,[‖(,)‖1]（3-5）图像转换网络最终的目标函数是G=minmax(,)+1()（3-6）生成器使用“U-Net”结构[45]，在编码器（encoder）和解码器（decoder）之间增加跳线连接（skipconnections），即在第i层和第ni+1层之间添加跳线，其中n是网络的总层数。每根跳线简单的将第i层和第ni+1层的特征通道连结在了一起，以便在网络中直接传递能够共享的低级信息，本文使用的“U-Net”网络结构如图3-2所示。图3-2“U-Net”网络结构判别器使用“PatchGAN”[46]，即在有L1函数保证获得的低频信息准确性的情况下，判别器对高频信息建模只需要关注对局部图像块（patches），所以判别器只对patch规模的结构进行惩罚。经典GAN的判别器与PatchGAN的不同之处在于，前者输入整张图像，输出一个标量；后者输入一张图像，每个N×Npatch都得到一个标量。在整张图像上运行这个判别器（滑动窗口），取所有响应的平均值作为D的最后输出。本文使用的70×70的“PatchGAN”网络结构如图3-3所示。该网络使用标准的方法：各一次交替训练D和G，并用训练最大化log((,(,)))代替训练最小化log(1(,(,)))。Ck表示有k卷积核的Convolution-BatchNorm-ReLU层；CDk表示dropout
哈尔滨工业大学工程硕士学位论文-22-率为50%的Convolution-BatchNorm-Dropout-ReLU层。所有的卷积是4×4，步长为2的空间滤波器。在编码器和判别器中的卷积执行2倍的下采样，而在解码器中的卷积执行2倍的上采样。图3-370×70的“PatchGAN”网络结构3.3.3类激活映射在类似于GoogLeNet这样大部分由卷积层构成的网络体系结构上，并且于最终输出层之前，在卷积特征图上执行全局平均池化，然后将其用作产生所需输出（分类或其他）的全连接层的特征。鉴于此简单的连通性结构，可以把输出层权重映射回到卷积特征图上，从而获得图像中某些区域的重要性，这就是类激活映射（Classactivationmapping）[54]的技术。生成的类激活图（Classactivationmap，CAM）标定CNN具体在用图像中哪一个区域分辨类别。图3-4类激活映射工作示意[54]如图3-4所示，在最后卷积层执行全局平均池化，输出特征图每个单元的空间平均值。所有空间平均值的加权和用于生成最终输出。同样，计算最后一个卷积层特征图的加权和，以获得类激活图。对于一个给定图像，(,)代表在空间位置(,)处最后卷积层中单元k
【参考文献】：
期刊论文
[1]基于变化检测-CART决策树模式自动识别沙漠化信息[J]. 黄晓君,颉耀文,卫娇娇,付苗,吕利利,张玲玲. 灾害学. 2017(01)
博士论文
[1]基于对象的海岸带地物变化遥感检测技术的研究[D]. 张汉松.浙江大学 2010
[2]基于多时相遥感图像的变化检测[D]. 钟家强.国防科学技术大学 2005
本文编号：3534777
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3534777.html
