【技术实现步骤摘要】
本专利技术属于痕迹检测，具体涉及一种端到端痕迹检测方法。
技术介绍
1、基于合成孔径雷达(synthetic aperture radar，简称sar)的相干变化检测方法(coherent change detection，简称ccd)利用复值重复航过、重复几何雷达图像的相干积累特性，可以检测到非常细微的变化轨迹，但是像车辆轮胎轨迹或脚印等微弱痕迹很容易被基于强度的变化检测算法忽略。ccd处理方法涉及亚像素配准、相干性估计和轨迹检测等关键步骤，为保证最后检测结果的可靠性，其中每个步骤都需要精确严格执行，这需要大量的人工成本和复杂的计算量。
2、近年来，随着遥感数据获取量的增加和硬件平台计算能力的提高，基于卷积神经网络的遥感图像识别方法在sar图像检测与识别、特征点分割、变化检测等领域取得了重大进展。将独立的检测和识别模型集成到一个端到端的识别检测网络中，不仅可以提高检测任务中的目标检测概率，还可以提高目标识别任务的准确率。端到端深度学习模型成功的主要原因在于其不仅重复使用不同任务的图像特征，而且能够通过对子任务的再优化来提升整体的泛化性能。因此，当痕迹检测任务应用端到端模型时，可以明显看出其检测性能的提高。比如文章“g. brigot, e. colin-koeniguer, a. plyer, and f. janez, "adaptation and evaluation of an optical flow method applied to coregistrationof forest remote sen
3、尽管这些方法采用端到端优化策略实现了检测任务，但是将端到端的模型融入到痕迹检测中仍然存在挑战：第一，传统依靠相关系数和关键点匹配原则的图像配准方法已经无法适应整体优化模型；第二，传统集成复相关估计器阻碍了轨道检测任务的整体优化过程；第三，传统数据增强方法如图像翻转、旋转、饱和度调整等无法在复值图像块、光流矩阵和标注图像的痕迹检测数据集中应用。
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种端到端痕迹检测方法。本专利技术要解决的技术问题通过以下技术方案实现：
2、本专利技术实施例提供了一种端到端痕迹检测方法，包括：
3、获取参考图像和任务图像，所述参考图像和所述任务图像为同一地方不同时刻拍摄的图像；所述参考图像和所述任务图像分别包括实数部分和虚数部分；
4、将所述参考图像和所述任务图像输入预先训练好的相干变化检测网络中，得到痕迹检测结果；其中，
5、预先训练好的相干变化检测网络包括配准子网络、相干估计子网络和痕迹检测子网络；所述配准子网络用于根据所述参考图像的实数部分、所述任务图像的实数部分计算配准偏移量，并根据所述配准偏移量对所述任务图像的实数部分和虚数部分进行配准得到配准的任务图像；所述相干估计子网络用于根据所述参考图像和所述配准的任务图像计算差异图像；所述痕迹检测子网络用于从所述差异图像中提取痕迹信息得到痕迹检测结果。
6、在本专利技术的一个实施例中，所述配准子网络包括第一特征提取网络、第二特征提取网络、上下文信息提取网络、相关层、运动特征编码器、gma模块、拼接层、gru模块和空间变化网络；其中，
7、所述第一特征提取网络，用于提取所述任务图像的实数部分的第一匹配特征；
8、所述第二特征提取网络，用于提取所述参考图像的实数部分的第二匹配特征；
9、所述上下文信息提取网络，用于提取所述参考图像的实数部分的上下文特征；
10、所述相关层，用于计算所述第一匹配特征和所述第二匹配特征之间的视觉相似度；
11、所述运动特征编码器，用于根据所述视觉相似度计算运动特征；
12、所述gma模块，用于对所述运动特征和所述上下文特征进行聚合处理得到聚合运动特征；
13、所述拼接层，用于将所述运动特征、所述上下文特征和所述聚合运动特征进行拼接得到拼接特征；
14、所述gru模块，用于根据所述拼接特征计算配准偏移量；
15、所述空间变化网络，用于根据所述配准偏移量对所述任务图像的实数部分和虚数部分进行配准得到配准的任务图像。
16、在本专利技术的一个实施例中，所述第一特征提取网络、所述第二特征提取网络和所述上下文信息提取网络的网络结构相同、网络参数不同。
17、在本专利技术的一个实施例中，所述空间变化网络包括网格生成器和采样器；其中，
18、所述网格生成器，用于根据所述配准偏移量生成采样网格；
19、所述采样器，用于根据所述采样网格对所述任务图像的实数部分和虚数部分进行采样得到配准的任务图像。
20、在本专利技术的一个实施例中，所述相干估计子网络包括第一卷积层、第二卷积层、第三卷积层、拼接层和乘法器；其中，
21、所述第一卷积层，用于计算所述参考图像和所述配准的任务图像的复合相干信息；
22、所述第二卷积层，用于计算所述配准的任务图像的第一相干信息；
23、所述第三卷积层，用于计算所述参考图像的第二相干信息；
24、所述拼接层，用于将所述第一相干信息和所述第二相干信息进行拼接得到拼接相干信息；
25、所述乘法器，用于将所述复合相干信息和所述拼接相干信息进行点乘得到差异图像。
26、在本专利技术的一个实施例中，所述第一卷积层、所述第二卷积层、所述第三卷积层均为复数卷积层，且卷积核不同。
本文档来自技高网...
【技术保护点】
1.一种端到端痕迹检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的端到端痕迹检测方法，其特征在于，所述配准子网络包括第一特征提取网络、第二特征提取网络、上下文信息提取网络、相关层、运动特征编码器、GMA模块、拼接层、GRU模块和空间变化网络；其中，
3.根据权利要求2所述的端到端痕迹检测方法，其特征在于，所述第一特征提取网络、所述第二特征提取网络和所述上下文信息提取网络的网络结构相同、网络参数不同。
4.根据权利要求2所述的端到端痕迹检测方法，其特征在于，所述空间变化网络包括网格生成器和采样器；其中，
5.根据权利要求1所述的端到端痕迹检测方法，其特征在于，所述相干估计子网络包括第一卷积层、第二卷积层、第三卷积层、拼接层和乘法器；其中，
6.根据权利要求5所述的端到端痕迹检测方法，其特征在于，所述第一卷积层、所述第二卷积层、所述第三卷积层均为复数卷积层，且卷积核不同。
7.根据权利要求1所述的端到端痕迹检测方法，其特征在于，所述痕迹检测子网络为UNet网络。
8.根据权利要求1所述的
9.根据权利要求8所述的端到端痕迹检测方法，其特征在于，所述多任务损失函数公式表示为：
...【技术特征摘要】
1.一种端到端痕迹检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的端到端痕迹检测方法，其特征在于，所述配准子网络包括第一特征提取网络、第二特征提取网络、上下文信息提取网络、相关层、运动特征编码器、gma模块、拼接层、gru模块和空间变化网络；其中，
3.根据权利要求2所述的端到端痕迹检测方法，其特征在于，所述第一特征提取网络、所述第二特征提取网络和所述上下文信息提取网络的网络结构相同、网络参数不同。
4.根据权利要求2所述的端到端痕迹检测方法，其特征在于，所述空间变化网络包括网格生成器和采样器；其中，
5.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。