(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 202111670468.8
(22)申请日 2021.12.3 0
(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 李东徽
(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 9/00(2006.01)
G06V 10/762(2022.01)
G06V 10/82(2022.01)
G06K 9/62(2022.01)G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
基于内容编码的无监 督变化检测方法
(57)摘要
本发明公开了一种基于内容编码的无监督
变化检测方法, 包括以下步骤: 构造内容编码网
络结构; 建立变化检测的概率函数模型; 定义掩
码损失函数来测量内容编码之间的偏差; 构造内
容约束函数, 根据对象来约束对图像的差分结
果; 结合掩码损失函数和内容约束函数来定义能
量函数进行训练得到变化检测结果。 该方法可以
有效避免现有变化检测方法对于精确配准的依
赖, 可适用于大多数变化检测问题, 包括现有方
法无法解决的多视角图像的无监督变化检测问
题。
权利要求书3页 说明书6页 附图3页
CN 114494154 A
2022.05.13
CN 114494154 A
1.一种基于内容编码的无监 督变化检测方法, 其特 征在于, 包括以下步骤:
第一步, 构建一个基于卷积神经网络的内容提取网络, 将输入图像编码, 输出为一个没
有参考标签的特 征向量;
第二步, 假设网络输出向量中的每个元素表示输入图像中的某个内容, 通过输入两幅
图像得到 两个图像的编码, 在编码的基础上定义内容对齐损失函数;
第三步, 优化能量模型, 定义编码的内容约束函数以满足内容 假设;
第四步, 将对齐损失函数和内容约束函数进行组合并建立基于能量的概 率模型;
第五步, 优化后, 比较两幅图像的特 征向量, 求 解概率模型;
第六步, 比较两幅图像的特征向量, 通过优化变化区域中的变化掩膜, 生成变化区域,
最后使用FL ICM的图像聚类算法生成差异图。
2.根据权利要求1所述的基于 内容编码的无监督变化检测方法, 其特征在于, 第 二步为
了学习网络, 假设网络输出向量中的每个元素表示输入图像中的某个内容, 通过输入两幅
图像得到两个图像的编码, 在编 码的基础上定义内容对齐损失函数, 学习输入图像的分布;
具体过程 为:
(1)概率模型定义 为:
其中Z为配分函数, u是一个伪概率向量, 表示每个内容对象的不变概率; 通过最大化概
率的对数似然来优化概率模型, 增加输入数据I1、 I2的能量, 同时降低所有其他数据的能量,
网络可学习两幅图像之间的关系;
(2)通过对变化检测的定义来设计能量函数E(I1,I2,u, θ ), 该能量函数对两幅图像中相
同的内容进行对齐, 特征 向量v1=fθ(I1)和v2=fθ(I2)中不变内容的成分相似, 因此定义两
幅图像的对齐损失, 表示如下:
其中,i是特征向量的分量索引, u是一个伪概率向量, 表示每个内容对象的不变概率,
它是一个可训练的参数, 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 内容编码的无监督变化检测方法, 其特征在于, 第 三步定
义编码的内容约束函数以满足内容假设, 定义内容约束, 通过约束来实现每个编码的元素
表示一种内容, 具体过程 为:
其中(i,j,k)表示第k个通道中(i,j)的像素, Ω(i,j)表示像素(i,j)正方形邻域; δI表示
输出特征向量v相对于 输入图像I的微分系数, 表示如下:
其中ω表示每个像素邻域内的权重矩阵, 由相邻像素与中心像素的差值计算而得, 表
示如下:权 利 要 求 书 1/3 页
2
CN 114494154 A
2其中, σ 表示邻域内像素的标准差 。
4.根据权利要求1所述的基于 内容编码的无监督变化检测方法, 其特征在于, 第四步将
对齐损失函数和内容约束函数进 行组合并建立基于能量的概率模型, 将能量模型定义为具
有内容约束的两个特 征向量之间的差值, 通过 结合得到以下能量 函数:
E(I1,I2, θ,u)=L(I1,I2, θ,u)+λ[C(I1, θ )+C(I2, θ )]
其中, λ是一个用户定义的参数, 控制这两项权重, 然后将能量函数设置为变化检测的
概率模型, 根据概 率模型的对数似然梯度来计算 概率模型的优化框架, 表达如下:
其中I′1,I′2表示数据空间内的所有可能数据; 增加相对于输入数据的概率
使用对比散度算法来保证效率; 参数 更新梯度如下:
从上述导数来看, 优化的基本算子是梯度; 在整个优化过程中, 必须推导出两种类型的
梯度, 包括可训练参数
和输入数据
的梯度; 在能量函数中有两项, 分别
推导出它 们的梯度; 通过反向传播 算法, 得到对准损失的梯度如下:
对于内容梯度, 也可以得 出类似梯度, 公式如下:
相应的
的梯度也可以求出, 公式如下:权 利 要 求 书 2/3 页
3
CN 114494154 A
3
专利 基于内容编码的无监督变化检测方法
文档预览
中文文档
13 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共13页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 21:49:59上传分享