基于全局动态上下文感知网络的合成孔径雷达图像变化检测
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Synthetic Aperture Radar Image Change Detection Based on Global Dynamic Context-Aware Network
【字体:
大
中
小
】
时间:2026年05月19日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
摘要:
卷积神经网络(CNN)已被广泛且成功地应用于合成孔径雷达(SAR)图像变化检测任务。然而,传统的卷积层由于其局部感受野的限制,主要捕捉空间上的局部模式,而忽略了对于准确区分SAR图像中细微或大规模变化至关重要的全
摘要:
卷积神经网络(CNN)已被广泛且成功地应用于合成孔径雷达(SAR)图像变化检测任务。然而,传统的卷积层由于其局部感受野的限制,主要捕捉空间上的局部模式,而忽略了对于准确区分SAR图像中细微或大规模变化至关重要的全局上下文。此外,由于标注训练样本的稀缺,开发出鲁棒且稳定的检测模型在这一领域仍然特别具有挑战性,这常常导致过拟合和训练过程中的收敛不稳定。为了解决这些限制,我们提出了一种专为SAR图像变化检测设计的全局动态上下文感知网络(GDNet)。我们方法的核心是一种新型的全局动态卷积模块,该模块根据从输入特征中提取的全局语义信息自适应地调整卷积核权重。通过动态结合长距离依赖性,这种机制使网络能够同时整合局部细节和全局上下文,从而提高其检测多种变化模式的能力。此外,我们还引入了一种精心设计的双阶段混合策略进行模型训练。与传统的单阶段混合策略不同,我们的双阶段设计生成了更多样化和信息丰富的训练样本,即使在数据量有限的情况下也能有效规范模型,从而获得更稳定和可靠的分类结果。在三个SAR数据集上的广泛实验表明,所提出的GDNet优于其他最先进的方法。这些发现突显了全局动态建模和先进的数据增强策略在推进SAR图像解释方面的潜力。源代码可在以下链接获取:https://github.com/oucailab/GDNet。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号