[发明专利]基于半监督对抗深度网络的SAR图像变化检测方法

权利要求书

1.一种基于半监督对抗深度网络的SAR图像变化检测方法，其特征在于，包括：

(1)利用二时相SAR图像数据，计算这两幅图像的对数比差异图K；

(2)通过滑窗方式在二时相SAR图像和差异图上提取训练样本和测试样本，并从训练样本中随机选取4％作为有标签训练样本，其余作为无标签训练样本；

(3)构建训练网络模型：

(3a)设置SAR变化检测双网络Ψ₁和Ψ₂：

每个网络由六层结构组成，其中前四层为共享层，即第一层为全连接层L₁、第二层为激活函数层ReLU、第三层为全连接层L₂、第四层为激活函数层ReLU，第五和第六为非共享层，其中：

第一网络Ψ₁的第五层为全连接层L₁₃，第六层为Softmax分类器层S₁₁，

第二网络Ψ₂的第五层为全连接层L₂₃，第六层为Softmax分类器层S₂₁；

(3b)设置两个判别网络和

这两个判别网络完全相同，都由六层结构组成，即第一层为全连接层、第二层为激活函数层ReLU、第三层为全连接层、第四层为激活函数层，第五层为全连接层，第六层为Softmax分类器层；

(3c)将双网络和两个判别网络进行连接，即将第一判别网络连在第一检测网络Ψ₁之后，第二判别网络连接在第二检测网络Ψ₂之后，形成训练网络模型；

(4)将训练样本数据输入到(3)构建好的训练网络模型中，迭代依次进行有标签数据的监督训练、无标签数据的对抗训练和协同训练，得到训练好的变化检测网络Ψ；

对有标签数据的监督训练，是将有标签数据送到检测双网络Ψ₁、Ψ₂中进行有监督训练，使用的损失函数为二分类交叉熵损失函数，公式如下：

其中，v₁、v₂为网络Ψ₁中最后一层全连接层的输出的二维向量的两个值，z₁、z₂为网络Ψ₂中最后一层全连接层的输出的二维向量的两个值，i是当前输入样本对应的正确类别标号，i为1是表示输入样本为变化类，i为2是表示输入样本为未变化类；

对无标签数据的对抗训练，实现如下：

(4a)将第一检测网络Ψ₁当做生成器网络P₁，并与第一判别器网络一起构成第一生成对抗网络GAN₁，对无标签数据进行对抗训练：

4a1)将真实样本与生成样本依次送入第一判别器网络当中，根据送入样本的标签计算第一判别网络损失函数

其中，O_r1和O_f1是第一判别网络最后一层全连接层输出的二维向量的两个值，分别对应判断为真实样本和判断为生成样本的特征值，y₁为网络P₁的输出；

4a2)计算第一判别网络损失函数梯度，利用梯度下降算法反向传播更新第一判别器网络参数；

4a3)将第一生成器网络P₁生成样本送入第一判别网络当中，计算第一生成器网络P₁损失函数

其中，O_r1和O_f1是第一判别网络最后一层全连接层输出的二维向量的两个值，分别对应判断为真实样本和判断为生成样本的特征值，y₁为网络P₁的输出；

4a4)计算第一生成器网络损失函数梯度，利用梯度下降算法反向传播更新第一生成器网络P₁参数；

(4b)将第二检测网络Ψ₂的前五层当做生成器网络P₂，并与第二判别器网络一起构成第二生成对抗网络GAN₂，进行对抗训练：

4b1)将真实样本与生成样本依次送入第二判别器网络中，根据送入样本的标签计算第二判别网络损失函数

其中，O_r2和O_f2是第二判别网络最后一层全连接层输出的二维向量的两个值，分别对应判断为真实样本和判断为生成样本的特征值，y₂为网络P₂的输出；

4b2)计算第二判别网络损失函数梯度，利用损失的反向传播更新网络的参数；

4b3)将第二生成器网络生成样本送入第二判别网络当中，计算第二生成器网络P₂损失函数

其中，O_r2和O_f2是第二判别网络最后一层全连接层输出的二维向量的两个值，分别对应判断为真实样本和判断为生成样本的特征值，y₂为第二生成器网络P₂的输出；

4b4)计算第二生成器网络损失函数梯度，利用梯度下降算法反向传播更新第二生成器网络P₂参数；

对无标签数据的协同训练，是将无标签数据分别同时送入检测双网络Ψ₁和Ψ₂进行如下协同训练：

4c)第一检测网络Ψ₁从无标签数据中提取类别特征，并利用Softmax分类器对类别特征进行分类，得到每一个无标签样本所对应的伪标签PL₁以及分类概率向量py，计算第i个无标签样本分类的置信度为：Cony_i＝max(py_i)，并将该分类置信度Cony_i与预先设定的置信度阈值T_y进行比较，将置信度大于阈值的样本做为第二检测网络Ψ₂的有监督训练样本；

4d)第二检测网络Ψ₂从无标签数据中提取模式特征，并利用Softmax分类器对模式特征进行分类，得到每一个无标签样本所对应的伪标签PL₂以及分类概率向量pz，计算第i个无标签样本分类的置信度为：Conz_i＝max(pz_i)，并将Conz_i与预先设定的置信度阈值T_z进行比较，将置信度大于阈值的样本做为第一检测网络Ψ₁的有监督训练的训练样本；

(5)将测试样本数据输入到训练好的变化检测网络Ψ进行检测，得到SAR图像的变化检测结果。