隨著無(wú)人機(jī)設(shè)備的發(fā)展和普及,無(wú)人機(jī)航拍助力于自然界環(huán)境的監(jiān)測(cè)和保護(hù)。其中,無(wú)人機(jī)巡邏監(jiān)測(cè)通常用于解決人力監(jiān)測(cè)中巡邏周期長(zhǎng),外界危險(xiǎn)地區(qū)難以到達(dá)等問(wèn)題。地質(zhì)遺跡變化檢測(cè)這一任務(wù)可以利用無(wú)人機(jī)獲得高時(shí)間、空間分辨率的地質(zhì)遺跡圖像,這有利于及時(shí)發(fā)現(xiàn)地質(zhì)遺跡的變化并采取管理和保護(hù)措施。通過(guò)無(wú)人機(jī)獲取的大量地質(zhì)遺跡圖像需要地面地質(zhì)學(xué)家運(yùn)用變化檢測(cè)方法從中發(fā)現(xiàn)可疑變化。然而,無(wú)人機(jī)拍攝的地質(zhì)遺跡整體和局部的幾何細(xì)節(jié)顯示地質(zhì)遺跡本體的紋理細(xì)節(jié)相當(dāng)復(fù)雜。因此變化所在背景復(fù)雜,圖像中地物細(xì)節(jié)差異大�，F(xiàn)有的傳統(tǒng)變化檢測(cè)方法和基于圖像分類的變化檢測(cè)模型已不能滿足高分辨率下復(fù)雜背景圖像變化檢測(cè)的要求。為緩解上述問(wèn)題,本文提出了基于雙生成器的變化檢測(cè)網(wǎng)絡(luò)模型,這是一種端到端的變化檢測(cè)網(wǎng)絡(luò)。采用基于條件生成對(duì)抗網(wǎng)絡(luò)的圖像轉(zhuǎn)換結(jié)構(gòu)來(lái)解決地質(zhì)遺跡變化檢測(cè)任務(wù);并且,設(shè)計(jì)兩個(gè)生成器一個(gè)判別器的架構(gòu),明確強(qiáng)制網(wǎng)絡(luò)捕獲各種模式,提升條件生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性;添加類激活映射網(wǎng)絡(luò),通過(guò)可區(qū)分變化區(qū)域的類激活圖來(lái)增強(qiáng)變化信息。為驗(yàn)證改進(jìn)模型的合理性和優(yōu)越性,本文根據(jù)第一個(gè)時(shí)期無(wú)人機(jī)拍攝的圖像模擬第二個(gè)時(shí)期地質(zhì)遺跡的變化,構(gòu)建... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

訓(xùn)練一個(gè)cGAN從地圖生成航空?qǐng)D像

用L2的圖像更清晰。判別器的工作保持不變，但是生成器不僅要欺騙判別器，其生成的圖像還要盡可能的逼近groundtruth。1()=,,[‖(,)‖1]（3-5）圖像轉(zhuǎn)換網(wǎng)絡(luò)最終的目標(biāo)函數(shù)是G=minmax(,)+1()（3-6）生成器使用“U-Net”結(jié)構(gòu)[45]，在編碼器（encoder）和解碼器（decoder）之間增加跳線連接（skipconnections），即在第i層和第ni+1層之間添加跳線，其中n是網(wǎng)絡(luò)的總層數(shù)。每根跳線簡(jiǎn)單的將第i層和第ni+1層的特征通道連結(jié)在了一起，以便在網(wǎng)絡(luò)中直接傳遞能夠共享的低級(jí)信息，本文使用的“U-Net”網(wǎng)絡(luò)結(jié)構(gòu)如圖3-2所示。圖3-2“U-Net”網(wǎng)絡(luò)結(jié)構(gòu)判別器使用“PatchGAN”[46]，即在有L1函數(shù)保證獲得的低頻信息準(zhǔn)確性的情況下，判別器對(duì)高頻信息建模只需要關(guān)注對(duì)局部圖像塊（patches），所以判別器只對(duì)patch規(guī)模的結(jié)構(gòu)進(jìn)行懲罰。經(jīng)典GAN的判別器與PatchGAN的不同之處在于，前者輸入整張圖像，輸出一個(gè)標(biāo)量；后者輸入一張圖像，每個(gè)N×Npatch都得到一個(gè)標(biāo)量。在整張圖像上運(yùn)行這個(gè)判別器（滑動(dòng)窗口），取所有響應(yīng)的平均值作為D的最后輸出。本文使用的70×70的“PatchGAN”網(wǎng)絡(luò)結(jié)構(gòu)如圖3-3所示。該網(wǎng)絡(luò)使用標(biāo)準(zhǔn)的方法：各一次交替訓(xùn)練D和G，并用訓(xùn)練最大化log((,(,)))代替訓(xùn)練最小化log(1(,(,)))。Ck表示有k卷積核的Convolution-BatchNorm-ReLU層；CDk表示dropout

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-22-率為50%的Convolution-BatchNorm-Dropout-ReLU層。所有的卷積是4×4，步長(zhǎng)為2的空間濾波器。在編碼器和判別器中的卷積執(zhí)行2倍的下采樣，而在解碼器中的卷積執(zhí)行2倍的上采樣。圖3-370×70的“PatchGAN”網(wǎng)絡(luò)結(jié)構(gòu)3.3.3類激活映射在類似于GoogLeNet這樣大部分由卷積層構(gòu)成的網(wǎng)絡(luò)體系結(jié)構(gòu)上，并且于最終輸出層之前，在卷積特征圖上執(zhí)行全局平均池化，然后將其用作產(chǎn)生所需輸出（分類或其他）的全連接層的特征。鑒于此簡(jiǎn)單的連通性結(jié)構(gòu)，可以把輸出層權(quán)重映射回到卷積特征圖上，從而獲得圖像中某些區(qū)域的重要性，這就是類激活映射（Classactivationmapping）[54]的技術(shù)。生成的類激活圖（Classactivationmap，CAM）標(biāo)定CNN具體在用圖像中哪一個(gè)區(qū)域分辨類別。圖3-4類激活映射工作示意[54]如圖3-4所示，在最后卷積層執(zhí)行全局平均池化，輸出特征圖每個(gè)單元的空間平均值。所有空間平均值的加權(quán)和用于生成最終輸出。同樣，計(jì)算最后一個(gè)卷積層特征圖的加權(quán)和，以獲得類激活圖。對(duì)于一個(gè)給定圖像，(,)代表在空間位置(,)處最后卷積層中單元k

【參考文獻(xiàn)】：
期刊論文
[1]基于變化檢測(cè)-CART決策樹(shù)模式自動(dòng)識(shí)別沙漠化信息[J]. 黃曉君,頡耀文,衛(wèi)嬌嬌,付苗,呂利利,張玲玲.  災(zāi)害學(xué). 2017(01)

博士論文
[1]基于對(duì)象的海岸帶地物變化遙感檢測(cè)技術(shù)的研究[D]. 張漢松.浙江大學(xué) 2010
[2]基于多時(shí)相遙感圖像的變化檢測(cè)[D]. 鐘家強(qiáng).國(guó)防科學(xué)技術(shù)大學(xué) 2005



本文編號(hào)：3534777