[论文解读] Robust Unsupervised Small Area Change Detection from SAR Imagery Using Deep Learning

Xinzheng Zhang, Hang Su+4 more|arXiv (Cornell University)|Nov 22, 2020

Remote-Sensing Image Classification参考文献 35被引用 4

一句话总结

本文提出了一种用于多时相SAR影像中小区域变化检测的鲁棒无监督深度学习框架。该方法利用多尺度超像素重建生成去噪差异图像，应用两阶段中心约束模糊c均值聚类将像素划分为变化、未变化和中间三类，并通过DCGAN进行对抗性数据增强，训练卷积小波神经网络，在真实SAR数据集上实现了高达99.61%的准确率。

ABSTRACT

Small area change detection from synthetic aperture radar (SAR) is a highly challenging task. In this paper, a robust unsupervised approach is proposed for small area change detection from multi-temporal SAR images using deep learning. First, a multi-scale superpixel reconstruction method is developed to generate a difference image (DI), which can suppress the speckle noise effectively and enhance edges by exploiting local, spatially homogeneous information. Second, a two-stage centre-constrained fuzzy c-means clustering algorithm is proposed to divide the pixels of the DI into changed, unchanged and intermediate classes with a parallel clustering strategy. Image patches belonging to the first two classes are then constructed as pseudo-label training samples, and image patches of the intermediate class are treated as testing samples. Finally, a convolutional wavelet neural network (CWNN) is designed and trained to classify testing samples into changed or unchanged classes, coupled with a deep convolutional generative adversarial network (DCGAN) to increase the number of changed class within the pseudo-label training samples. Numerical experiments on four real SAR datasets demonstrate the validity and robustness of the proposed approach, achieving up to 99.61% accuracy for small area change detection.

研究动机与目标

• 为解决由于斑点噪声和标注数据有限，导致在SAR影像中检测小尺度变化的挑战。
• 开发一种无需依赖人工标注变化标签的无监督方法，使其适用于数据稀缺场景。
• 通过自监督方式利用空间同质性和深度特征学习，提升检测准确率和鲁棒性。
• 通过DCGAN生成对抗性数据，增强罕见变化区域的表征能力。

提出的方法

• 采用多尺度超像素重建方法生成差异图像（DI），通过利用局部空间同质性抑制斑点噪声并增强边缘信息。
• 采用两阶段中心约束模糊c均值聚类算法，结合并行聚类策略，将DI像素划分为变化、未变化和中间三类。
• 将来自变化类和未变化类的图像块用作卷积小波神经网络（CWNN）的伪标签训练样本。
• 将中间类的图像块视为测试样本，并由训练好的CWNN进行分类。
• 采用深度卷积生成对抗网络（DCGAN）生成变化类的额外训练样本，以提升模型泛化能力。
• 端到端训练CWNN，利用增强的伪标签数据对测试图像块进行变化或未变化类别的分类。

实验结果

研究问题

• RQ1 基于超像素的差异图像是否能有效抑制SAR影像中的斑点噪声，同时保留边缘细节？
• RQ2 带中心约束的无监督聚类如何提升SAR变化检测中变化区域与未变化区域的分离效果？
• RQ3 结合伪标签训练数据与基于GAN的数据增强，能在多大程度上提升深度学习模型在小区域变化检测中的性能？
• RQ4 该方法在具有不同场景内容和噪声特性的多样化真实SAR数据集上表现如何？

主要发现

• 所提方法在四个真实SAR数据集上实现了最高99.61%的检测准确率，证明了其在小区域变化检测中的高性能表现。
• 多尺度超像素重建有效降低了斑点噪声，增强了边缘信息，提升了差异图像的质量。
• 两阶段中心约束模糊c均值聚类成功分离了变化与未变化区域，同时识别出中间像素用于测试。
• 通过DCGAN实现的数据增强显著增加了变化区域样本数量，提升了模型的鲁棒性与泛化能力。
• CWNN架构能有效从伪标签数据中学习判别性特征，使测试图像块的分类准确率显著提高。
• 该方法在多样化SAR数据集上表现出强鲁棒性，表明其在遥感应用中具备实际部署潜力。