基于DS证据融合生成伪标签的SAR图像变化检测

合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测是一种检测两张SAR图像中变化区域的技术。在基于神经网络的无监督变化检测方法中,伪标签的质量影响到了检测结果的精度。为了提高精度,提出一种基于登普斯特-沙弗(Dempster-Shafer,DS)证据融合理论生成伪标签的方法,再结合多层次模糊C类均值聚类和卷积小波神经网络实现变化检测。该方法通过对三种不同差异图聚类生成的伪标签进行DS证据融合得到融合伪标签,使训练样本更加准确,然后利用网络对像素进行分类,得到变化检测结果。经过实验,该方法在渥太华、越南红河和黄河数据集上的检测精度分别达到了98.48%、97.95%和96.18%。

基于加权分类损失和核范数的领域自适应模型

领域自适应将源域上学习到的知识迁移到目标域上,使得在带标签数据少的情况下也可以有效地训练模型。采用伪标签的领域自适应模型未考虑错误伪标签的影响,并且在决策边界处样本的分类准确率较低,针对上述问题提出了基于加权分类损失和核范数的领域自适应模型。该模型使用带有伪标签的可信样本特征与带有真实标签的源域样本特征构建辅助域,在辅助域上设计加权分类损失函数,降低错误伪标签在训练过程中产生的影响;加入批量核范数最大化损失,提高决策边界处样本的分类准确率。在Office31、Office-Home、Image-CLEFDA基准数据集上与之前模型的对比实验表明,该模型有更高的精确度。