[论文解读] Unsupervised Change Detection in Multi-temporal VHR Images Based on Deep Kernel PCA Convolutional Mapping Network

Chen Wu, Hongruixuan Chen+2 more|arXiv (Cornell University)|Dec 18, 2019

Remote-Sensing Image Classification参考文献 63被引用 13

一句话总结

本文提出了一种无监督深度学习框架 KPCA-MNet，通过核主成分分析（KPCA）卷积层，用于在多时相超分辨率（VHR）图像中进行变化检测。该方法无需标注数据即可提取非线性空间-光谱特征，通过特征映射和加权特征方向将变化信息映射到二维极坐标域，并在基准数据集上实现了二值和多类变化检测的最先进性能，且无需任何标注训练样本。

ABSTRACT

With the development of Earth observation technology, very-high-resolution (VHR) image has become an important data source of change detection. Nowadays, deep learning methods have achieved conspicuous performance in the change detection of VHR images. Nonetheless, most of the existing change detection models based on deep learning require annotated training samples. In this paper, a novel unsupervised model called kernel principal component analysis (KPCA) convolution is proposed for extracting representative features from multi-temporal VHR images. Based on the KPCA convolution, an unsupervised deep siamese KPCA convolutional mapping network (KPCA-MNet) is designed for binary and multi-class change detection. In the KPCA-MNet, the high-level spatial-spectral feature maps are extracted by a deep siamese network consisting of weight-shared PCA convolution layers. Then, the change information in the feature difference map is mapped into a 2-D polar domain. Finally, the change detection results are generated by threshold segmentation and clustering algorithms. All procedures of KPCA-MNet does not require labeled data. The theoretical analysis and experimental results demonstrate the validity, robustness, and potential of the proposed method in two binary change detection data sets and one multi-class change detection data set.

研究动机与目标

• 解决现有基于深度学习的变化检测方法依赖大规模标注训练数据的局限性。
• 开发一种无监督特征提取机制，以有效捕捉 VHR 图像中的空间-光谱上下文信息。
• 设计一种新型网络架构，能够在无监督条件下同时执行二值和多类变化检测。
• 通过加权特征方向策略，高效地将多通道特征差异图映射到二维极坐标域，从而提高变化检测精度。
• 在具有不同复杂度的真实世界 VHR 图像数据集上，验证所提方法的鲁棒性和泛化能力。

提出的方法

• 提出一种新型 KPCA 卷积层，利用核主成分分析执行非线性特征提取，替代深度孪生网络中的标准卷积层。
• 采用具有权重共享的 KPCA 卷积层的深度孪生网络，从多时相 VHR 图像中提取高层空间-光谱特征。
• 通过孪生网络中两个高层特征图的逐像素减法生成特征差异图。
• 引入特征映射（FM）策略，基于特征差异图中变化幅度的大小，将变化存在性编码到二维极坐标域。
• 提出加权特征方向（WFD）方法，基于特征值为各通道分配特定权重，以突出特征差异图中更具信息量的变化分量。
• 采用阈值分割进行二值变化检测，对 WFD 图进行聚类以实现多类变化检测，两者均为完全无监督。

实验结果

研究问题

• RQ1 无监督深度学习模型能否在无需任何标注训练数据的情况下，有效检测多时相 VHR 图像中的变化？
• RQ2 所提出的 KPCA 卷积层在从 VHR 图像中提取非线性空间-光谱特征方面，与标准卷积层相比表现如何？
• RQ3 所提出的 WFD 映射策略是否相比传统特征映射技术显著提升了多类变化检测性能？
• RQ4 KPCA-MNet 框架能否在真实世界 VHR 数据集上实现二值和多类变化检测任务的竞争力表现？
• RQ5 二维极坐标域映射在提升变化检测精度和鲁棒性方面有何贡献？

主要发现

• 在 WH 和 QU 二值变化检测数据集上，KPCA-MNet 的总体准确率和 Kappa 系数均高于传统方法和深度学习基线方法。
• 在具有挑战性的 HY 多类变化检测数据集上，KPCA-MNet 达到了 0.9687 的总体准确率和 0.8334 的 Kappa 系数，优于所有对比方法。
• 所提出的 WFD 方法显著优于基线映射策略，相比 M-3 的 Kappa 系数提高了 5.1%（0.8028 vs. 0.8334），证明其在利用多类变化信息方面的有效性。
• 消融实验确认，KPCA 卷积层在无监督条件下能有效提取非线性特征，使网络在不同数据集上具有良好的泛化能力。
• 无监督的逐层训练策略成功初始化了网络，并在无需任何标注数据的情况下实现了有效的特征学习。
• 定性结果表明，KPCA-MNet 生成的变更图更清晰、更连贯，相比基线方法显著减少了椒盐噪声和内部碎片化。