(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111663288.7 (22)申请日 2021.12.31 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫20 0号 (72)发明人 刘嘉　张文华　刘芳　肖亮　 江凯旋　陈祯卿　王宇　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 陈鹏 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于关联学习模型的无监 督变化检测方法 (57)摘要 本发明公开了一种基于关联学习模型的无 监督变化检测方法， 该方法包括以下步骤： 构造 对称的双边 关联网络结构； 建立针对变化检测的 关联学习模 型； 基于对比散度优化方法优化关联 学习模型； 提取优化结果， 输 出变化区域。 本发明 定义了一个针对变化检测问题的关联学习模型， 以无监督的方式训练神经网络， 因此具有较强的 适应性， 能够适应各种各样的数据类型， 包括同 源、 异源、 异质等遥感数据。 权利要求书2页 说明书6页 附图3页 CN 114494152 A 2022.05.13 CN 114494152 A 1.一种基于关联 学习模型的无监 督变化检测方法， 其特 征在于， 包括以下步骤： 第一步， 构建一个对称的双边网络结构用于关联学习， 网络的两端输入为两幅经过配 准的图片， 分别经 过若干层卷积层得到特 征图用于比较和关联； 第二步， 定义针对变化检测的关联学习模型， 该模型有两种待优化参数， 包括网络参数 以及变化 概率图； 第三步， 优化关联学习模型， 利用对比散度优化方法， 通过设计新的采样方法， 优化多 层关联模型； 第四步， 将优化完成的变化概率图归一化得到差异图， 将差异图进行分割得到变化检 测结果。 2.根据权利要求1所述的基于关联学习 模型的无监督变化检测方法， 其特征在于， 第 二 步定义关联 学习模型， 具体过程 为： (1)关联学习模型为 一种概率模型， 基于概 率模型， 定义输入数据的概 率为： 其中Z为配分函数， θ 为网络参数集 合包括权 重和偏置， u为变化 概率图； (2)通过对变化检测的定义来设计能量函数E(X1,X2； θ,u)， 将能量函数定义为两侧神经 网络之间的特 征距离平方， 表示如下： 其中,FL和FR分别表示网络的输出特征图， i是特征图中元素的索引， u为变化概率图， 表 示每个内容对 象的不变概率， 它 是一个可训练的参数， 该概率模型 的目标是在整个数据 空 间中生成一个随数据分布的能量场， 因此将与网络参数集θ 一 起进行训练。 3.根据权利要求1所述的基于关联学习 模型的无监督变化检测方法， 其特征在于， 第 三 步优化关联学习模型， 使用梯度下降来最大化对数似然， 对似然函数关于两种参数θ和u的 负梯度‑Δ( θ,u)推导如下： 其中Δ为求导符号， 第一项是观测到的X1,X2的能量梯度， 第二项是所有可能数据能量 的梯度期望， 其中 表示数据空间中所有可能的数据； 采用反向采样数据， 驱动低概率 输入移动到高概 率区域， 相当于优化问题： 其中 为采样数据， 这可以通过梯度下降来实现： 权　利　要　求　书 1/2 页 2 CN 114494152 A 2第一项通过反向传播算法计算， Z是θ,u的函数， X1,X2的变化不会影响Z的值， 因此， 第二 项中， 将Z取为常数， 梯度为0； 然后通过梯度下降法多次迭代获得采样数据， 将抽样过程看 作是一个由无数梯度下降产生均衡分布的过程， 因此在该模型中， 对比散度可被最小化， 梯 度公式更新如下： 其中 分别表示从X1,X2通过一步梯度下降获得的采样数据， 即 其中αx为学习率； 梯度反向传播如下： 重新定义 一个无约束的中间变量T， 令u＝sigmo id(T)， 然后通过梯度进行优化： 给定输入数据X1,X2和采样数据 更新训练参数θ,T。 4.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑3中任一所述的基于 关 联学习模型的无监 督变化检测方法。 5.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑3中任一所述的基于关联 学习模型的无监 督变化检测方法。权　利　要　求　书 2/2 页 3 CN 114494152 A 3