کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10139654 1645975 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Iterative feature mapping network for detecting multiple changes in multi-source remote sensing images
ترجمه فارسی عنوان
شبکه نقشه برداری ویژگی های جالب برای تشخیص چندین تغییر در تصاویر چندرسانه ای از راه دور
کلمات کلیدی
تشخیص تغییر، شبکه نقشه برداری ویژگی تحلیل خوشه ای سلسله مراتبی، تغییرات چندگانه، تصاویر چند منبع
ترجمه چکیده
با توجه به پیشرفت سریع تکنولوژی سنجش از راه دور، انواع مختلف داده ها را می توان به راحتی در حال حاضر به دست آورد. با این حال، این کار یک کار مهم اما دشوار برای به طور موثر برجسته کردن تغییرات در سطح زمین از این داده های موجود تبدیل شده است. در این مقاله، یک چارچوب یادگیری شبکه ای را برای شناسایی تغییرات متعدد با تمرکز بر روی تصاویر چند منبع ایفا می کنیم، که اغلب از سنسورهایی با روش های مختلف تصویربرداری به دست می آید. در ابتدا، بازنویسی ویژگی های سطح بالا و قوی از تصاویر چند منبع از طریق یادگیری ویژگی های غیرقابل کنترل استخراج می شود. سپس، بر این اساس، یک شبکه نقشه برداری تکراری ایجاد شده است تا این ویژگی ها را به یک فضای مشخصه ی فضایی با ابعاد معمول تبدیل کند. هدف این است که ویژگی های تبعیض آمیز بیشتری را با کاهش تفاوت بین ویژگی های زوج موقعیت های بدون تغییر در حالی که افزایش از تغییرات آن را یاد بگیرند. توجه داشته باشید که پارامترهای شبکه با بهینه سازی یک تابع هدف به خوبی طراحی شده و تمام فرآیند یادگیری به طور کامل کنترل نشده است. در نهایت، بر اساس یک درخت سلسله مراتبی برای تجزیه و تحلیل خوشه ای، تمام کلاس های ممکن تغییر را می توان با دقت تشخیص داد. علاوه بر این، چارچوب پیشنهادی نیز برای تشخیص تغییر در تصاویر همگن مناسب است. نتایج تجربی قابل توجه در مورد انواع مختلف تصاویر سنجش از دور سنجش اثربخشی و قابلیت اطمینان مدل پیشنهادی را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
پیش نمایش مقاله
شبکه نقشه برداری ویژگی های جالب برای تشخیص چندین تغییر در تصاویر چندرسانه ای از راه دور
چکیده انگلیسی
Owing to the rapid development of remote sensing technology, various types of data can be easily acquired at present. However, it has become an important but more challenging task for effectively highlighting changes occurring on the land surface from these available data. In this paper, we propose an iterative feature mapping network learning framework for identifying multiple changes with focus on multi-source images, which are often obtained from sensors with different imaging modalities. Firstly, high-level and robust feature representations are extracted from multi-source images via unsupervised feature learning. Then, on this basis, an iterative feature mapping network is established to transform these features into a common high-dimensional feature space. It aims to learn more discriminative features by shrinking the difference between the paired features of unchanged positions while enlarging that of changed ones. Note that the network parameters are learned by optimizing a well-designed objective function, and the whole learning process is fully unsupervised. Finally, based on a hierarchical tree for clustering analysis, all possible change classes can be detected accurately. In addition, the proposed framework is found to be also suitable for change detection in homogeneous images. The impressive experimental results obtained over different types of remote sensing images demonstrate the effectiveness and robustness of the proposed model.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: ISPRS Journal of Photogrammetry and Remote Sensing - Volume 146, December 2018, Pages 38-51
نویسندگان
, , , ,