摘要
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