整型推理量化CNN的SAR图像跨域变化检测

作者：王蓉芳^*; 王良; 李畅; 霍春雷; 陈佳伟

来源：中国图象图形学报, 2023, 28(07): 2208-2220.

• SAR图像
• 变化检测(CD)
• 整型推理量化
• 卷积神经网络(CNN)
• 跨域检测

目的 合成孔径雷达（synthetic aperture radar,SAR）特有的成像优势使得SAR图像变化检测在民用和军事领域有着广泛的应用场景，但实际应用中对SAR图像的变化区域进行标注既耗时又昂贵，而且现有的变化检测方法复杂度较高，无法满足实时、快速检测的需求。对此，提出了一种基于整型推理量化卷积神经网络的SAR图像跨域变化检测方法（integer inference-based quantization convolutional neural network,IIQ-CNN）。方法 该方法研究了不同场景之间的跨域变化检测问题，即利用已有标记的源域数据对未知的目标域数据进行检测；设计了同时使用时相图和差异图的样本构建方法，既避免了检测结果对差异图的过分依赖，又能充分利用差异信息和时相图与差异图之间的共享信息，提高检测精度；并且在变化检测任务中首次引入整型推理量化技术，对深度网络模型进行模拟量化，减小模型复杂度并加速推理时间。结果 在4组真实的SAR图像数据集上进行实验，从检测性能上看，IIQ-CNN与其他CNN方法相比，Kappa系数提高了4.23%～9.07%；从量化能力上看，对IIQ-CNN分别进行16、8和4位量化，仅在4位量化时检测结果有较明显下降，在16和8位量化时，模型都保持了较好的检测性能，并且推理时间明显减少。结论本文方法有效解决了伪标签质量对变化检测性能的影响，实现了加速推理的同时较好地保持模型检测精度的目的，促进了变化检测算法在嵌入式设备中的应用。

• 单位
  西安电子科技大学; 模式识别国家重点实验室; 中国科学院自动化研究所