基于卷积神经网络的图像变化检测研究
论文名称：《基于卷积神经网络的图像变化检测研究》
指导教师：樊玮
论文作者：周末
毕业院校：中国民航大学
文章内容概要
- 介绍了变化检测领域的研究现状，常用的变化检测方法包括图像代数法、图像转换法、聚类法、分类法及深度学习法
- 介绍了当前流行的传统变化检测模型和基于深度学习的变化检测模型及其相关理论技术，传统方法介绍了图像差值法、图像聚类法和图像转换法，深度学习方法中介绍了卷积神经网络、反卷积网络、多尺度融合网络、生成对抗网络以及循环神经网络的相关技术
- 提出了基于多尺度深度特征融合的变化检测网络模型，首先用深度网络提取到变化前后图像的多个尺度的特征，然后将提取到的多尺度特征由高到低进行逐尺度融合
- 流体金字塔结构引入变化检测，并在此基础上衍生出两种模型结构:基于流体金字塔的中间层融合结构和基于流体金字塔的分层融合结构
- 通过定性和定量分析分别验证了每种模型结构的检测效果，并分析了每种模型的使用情形
基于深度学习的变化检测方法
- 基于梯度反向传播的算法来对网络进行有监督的训练。卷积神经网络具有强大的特征提取能力，可以代替传统手工特征的方法，提取图像的抽象特征
- 利用卷积神经网络提取变化前后图像的抽象特征，可以有效地使关注点集中在感兴趣的变化区域，从而减少图像中噪音 信息的干扰
- 基于稠密光流的方法将光流图与原始图像相结合，有效解决了变化检测中由于相机位姿差异而导致的检测结果不准确的问题
- 微变检测子网络由多个卷积层组成，能够提取并捕捉文物表面较为微小的变化
- 模型在提取图像特征后形成两个分支，一个分支通过训练得到变化物体的分割图，另一个分支用来训练得到图像的类别信息
多尺度深度特征融合的变化检测模型
- 卷积神经网络具有强大的特征提取功能，不同卷积层提取到的特征也具有不同的性质：浅层网络主要刻画图像的颜色、纹理等低级特征，深层网络则提取图像的语义等高级特征
- 对于浅层网络来说，提取到的信息更加偏向于整体结构与轮廓描绘
- 对于深层网络来说，则更加注重于抽象信息的描述
- 集成模式包含了一系列由高层卷积层到低层卷基层的短连接，使得高层与低层的信息充分融合
- 以单层流体金字塔结构的变化检测网络 FPN-S 为基础模型，衍生出两种基于流体金字塔的变体网络，分别是基于流体金字塔的中间层融合网络 FPN-M 和基于流体金字塔的分层融合网络 FPN-H
实验结果图
-
实验结果图
