本發(fā)明涉及計算機視覺、變化檢測，具體而言，涉及一種基于自適應特征擾動的半監(jiān)督遙感圖像變化檢測方法。

背景技術：

1、遙感影像變化檢測（remote?sensing?change?detection,?rscd）是通過分析不同時間獲取的遙感影像，識別地表特征變化的任務。該任務本質上是一個二分類的問題，其目的是在同一區(qū)域的不同時間拍攝的雙時相圖像對中，識別出感興趣的目標變化區(qū)域（如建筑物、水域、植被和道路等）。rscd在城市建設規(guī)劃、森林環(huán)境保護、農村土地管理和自然災害評估等領域具有廣泛應用，這也使得rscd成為了遙感領域的一個重要研究方向。近年來，基于深度學習的變化檢測方法取得了顯著進步。然而，這類方法高度依賴于大量標注的訓練數據，當標注樣本不足時，其性能會顯著下降。此外，變化檢測任務的數據標注過程復雜，通常需要高精度的幾何圖像配準和像素級精細標注，耗時且成本高。與此同時，隨著對地觀測技術的快速發(fā)展，大量無標注數據變得易于獲取，為半監(jiān)督學習提供了契機。半監(jiān)督學習方法能夠有效利用這些未標注樣本，從而在標注數據有限的情況下，顯著提升模型的性能，是解決上述問題的一種有效途徑。

2、半監(jiān)督變化檢測（semi-supervised?change?detection,?sscd）旨在同時利用有限的標記訓練樣本和大量無標記訓練樣本進行訓練，以提升變化檢測性能。這樣模型不僅能夠學習到所需的語義信息，還能夠更加充分地學習到語義特征分布，從而顯著地提高模型的魯棒性。目前的主流方法包括基于偽標簽自訓練的方法、基于一致性正則化的方法和基于生成對抗網絡的方法。其中，基于偽標簽自訓練的方法首先利用一個預測模型為無標記樣本生成偽標簽，將這些無標記樣本以及偽標簽與標記訓練樣本混合，一起進行監(jiān)督訓練，從而為模型提供擴充的訓練數據；基于一致性正則化的方法通過對輸入數據施加不同程度的擾動，利用模型在這些輸入數據上的輸出一致性作為訓練約束；基于生成對抗網絡的方法旨在利用生成模型對數據的分布進行建模，從而推斷出未標注數據的潛在信息。

3、雖然以上這些方法取得了一定成功，但仍存在一些挑戰(zhàn)：基于偽標簽自訓練的方法存在不可避免的噪聲問題，在訓練過程中不斷累積可能嚴重影響模型的性能；此外生成對抗網絡的訓練過程高度不穩(wěn)定，梯度消失問題常導致生成器難以持續(xù)優(yōu)化，因此難以達到理想的最優(yōu)訓練結果。

技術實現(xiàn)思路

1、本發(fā)明解決的問題是如何有效減小模型預測中的噪聲影響，并防止隨機擾動導致的確認偏差過大的問題，從而提高模型預測的可靠性和穩(wěn)定性。

2、本發(fā)明提供一種基于自適應特征擾動的半監(jiān)督遙感圖像變化檢測方法，包括：

3、步驟1，采集雙時相圖像對，劃分有標簽訓練集和無標簽訓練集；

4、步驟2，初始化學生模型和教師模型的權重；

5、步驟3，對有標簽訓練集進行弱增強處理后輸入學生模型，并計算監(jiān)督損失；

6、步驟4，對無標簽訓練集進行弱增強處理得到弱增強訓練集，對弱增強訓練集進行強增強處理得到強增強訓練集；

7、步驟5，將弱增強訓練集輸入教師模型預測得到置信度圖，并評估置信度圖得到確定性值，最大值歸一化處理所有確定性值得到預測確定性值；

8、步驟6，根據每個預測確定性值定制自適應特征擾動方案；

9、步驟7，將強增強訓練集輸入學生模型中得到高維特征，向高維特征施加自適應特征擾動方案；計算教師模型與學生模型的無監(jiān)督損失；

10、步驟8，采用指數衰減預熱函數對無監(jiān)督損失進行加權，并與監(jiān)督損失相加得到總體訓練損失；

11、步驟9，采用隨機梯度下降法最小化總體訓練損失更新學生模型的權重；基于更新后的學生模型的權重和指數移動平均法更新教師模型的權重。

12、本技術與現(xiàn)有技術相比，具有以下優(yōu)點：采用弱增強訓練集訓練教師模型，并通過最大值歸一化處理得到預測確定性值來緩解偽標簽不可靠帶來的不利影響；接著，基于每個預測確定性值定制自適應特征擾動方案，能夠根據樣本質量動態(tài)調整樣本特征的擾動，在隨機擾動的基礎上增加了可控性，從而顯著減少了學生模型的確認偏差，提高學生模型對遙感圖像變化半監(jiān)督變化檢測的性能。

13、在一種可能的實施方式中，所述步驟1中雙時相圖像對包括同一區(qū)域不同時相的兩張遙感影像。

14、與現(xiàn)有技術相比，通過充分利用有標簽訓練集的標注數據，最大化無標簽訓練集的價值，顯著降低對人工標注的依賴性，提升半監(jiān)督學習的效率和實用性。

15、在一種可能的實施方式中，所述步驟3中監(jiān)督損失的計算公式為：

16、；

17、式中，表示監(jiān)督損失，表示輸入學生模型中有標簽樣本的總數；表示學生模型在第對雙時相圖像對的第個像素的預測變化概率，表示第對雙時相圖像對的第個像素的真實標簽；表示雙時相圖像對中遙感圖像的長，表示雙時相圖像對中遙感圖像的寬。

18、與現(xiàn)有技術相比，采用有標簽訓練集經過弱增強處理后計算監(jiān)督損失的方式，有效利用有標簽訓練集的標注信息，增強學生模型對有標簽訓練集的特征學習能力。

19、在一種可能的實施方式中，所述步驟4中對無標簽訓練集進行弱增強處理包括隨機翻轉、隨機縮放和隨機裁剪；所述步驟4中的對弱增強訓練集進行強增強處理包括恒等、對比度、自動對比度、亮度、色彩、均衡化、銳度、色調分離、反色中的隨機三種。

20、與現(xiàn)有技術相比，采用對無標簽訓練集分別進行弱增強處理和強增強處理，生成多樣化的訓練樣本，弱增強處理保留核心特征，用于教師模型生成可靠的偽標簽，強增強處理通過組合多種圖像變換，模擬復雜場景變化，增強學生模型對特征擾動的魯棒性，降低過度擬合風險。

21、在一種可能的實施方式中，所述步驟5具體包括：

22、步驟501，將弱增強訓練集和強增強訓練集分別進行批量劃分成若干弱增強樣本集和若干強增強樣本集；同批次的弱增強樣本集和強增強樣本集中的對應的樣本源于同一對雙時相圖像對；

23、步驟502，隨機選擇弱增強樣本集輸入教師模型預測變化概率得到置信度圖；

24、步驟503，對置信度圖進行評估得到確定性值，計算公式為：

25、；

26、式中，表示確定性值，表示置信度圖，表示對確定性值在所有像素上取均值，表示預測概率差異圖，，表示取絕對值運算；表示加權信息熵圖，，是預測概率的信息熵，與分別表示不變類和變化類的信息熵；；式中，；；表示第對雙時相圖像對的預測變化概率；

27、步驟504，對每個確定性值進行最大值歸一化處理得到預測確定性值。

28、與現(xiàn)有技術相比，通過置信度圖計算確定性值，并最大值歸一化得到預測確定性值，動態(tài)量化教師模型預測的可信度，避免低質量樣本的干擾，緩解不可靠偽標簽的負面影響，通過最大值歸一化處理標準化樣本質量評估，為后續(xù)定制自適應特征擾動方案提供可靠依據。

29、在一種可能的實施方式中，所述步驟6定制的自適應特征擾動方案包括擾動數量和擾動強度，所述步驟6具體包括：

30、步驟601，將作為一個縮放因子，計算得到每個預測確定性值的擾動數量，計算公式為：

31、；

32、式中，表示預測確定性值的擾動數量，表示擾動池中的總擾動數量；

33、步驟602，從擾動池中隨機選取擾動數量個擾動方法，計算每種擾動方法的擾動強度，計算公式為：

34、；

35、式中，表示擾動強度，為第種擾動方法的預定義參數。

36、與現(xiàn)有技術相比，采用上述技術方案，實現(xiàn)高質量樣本低擾動，低質量樣本高擾動的差異化策略，既能避免了隨機擾動的盲目性，針對性優(yōu)化特征，又能減少學生模型的確認偏差，提升對噪聲數據的容忍度。

37、在一種可能的實施方式中，所述步驟7具體包括：

38、步驟701，將與步驟5選中的弱增強樣本集同批次的強增強樣本集輸入學生模型進行特征提取、融合得到高維特征；

39、步驟702，將自適應特征擾動方案施加到高維特征，表達式為：

40、；

41、式中，表示施加擾動后的高維特征，表示學生模型從當前批次的強增強樣本集中第對無標簽樣本上提取的高維特征，表示當前批次的弱增強樣本集中第對無標簽樣本的自適應特征擾動方案的集合，表示具體施加擾動的過程；

42、步驟703，采用學生模型解碼器對擾動后的高維特征解碼，得到變化概率，計算公式為：，表示學生模型在強增強樣本集上的變化概率；

43、步驟704，計算教師模型與學生模型的無監(jiān)督損失，計算公式為：

44、；

45、其中，表示無監(jiān)督損失，是當前批次弱增強樣本集中無標簽樣本的總數，表示教師模型在弱增強樣本集上的變化概率,表示施加第個擾動方法后輸出變化概率，表示均方誤差損失函數。

46、與現(xiàn)有技術相比，采用將自適應特征擾動方案施加到學生模型提取的高維特征，并計算無監(jiān)督損失，增強學生模型對特征變化的敏感性，通過教師模型和學生模型預測一致性約束，進一步提升偽標簽的可靠性。

47、在一種可能的實施方式中，所述步驟8具體包括：

48、步驟801，采用指數衰減預熱函數對無監(jiān)督損失進行加權表示為：

49、；

50、；

51、式中，表示無監(jiān)督損失的最大可達權重，用于控制預熱過程快慢程度；表示當前迭代周期；?為預熱過程的總步長，為整個訓練過程的總迭代次數，且?0<<1；

52、步驟802，計算總體訓練損失，計算公式為：

53、；

54、式中，表示總體訓練損失，表示權值。

55、與現(xiàn)有技術相比，采用指數衰減預熱函數動態(tài)調整無監(jiān)督損失的權重，學生模型在步驟4中側重監(jiān)督約束，在步驟7及后續(xù)步驟中引入無監(jiān)督約束，平衡了不同訓練階段的優(yōu)化目標，避免早期不穩(wěn)定偽標簽干擾學生模型收斂，提高訓練穩(wěn)定性。

56、在一種可能的實施方式中，所述步驟9中基于更新后的學生模型的權重和指數移動平均法更新教師模型的權重的計算公式為：

57、；

58、式中，表示教師模型的初始化權重，表示教師模型更新后的權重，表示學生模型更新后的權重，是移動指數平均的動量因子。

59、與現(xiàn)有技術相比，采用隨機梯度下降法更新學生模型的權重，后學結合指數移動平均法更新教師模型的權重，繼承學生模型的漸進優(yōu)化結果，確保教師模型輸出更穩(wěn)定的偽標簽，形成良性師生互動，加速學生模型和教師模型的收斂。

60、在一種可能的實施方式中，所述步驟1中采集的雙時相圖像對還劃分有驗證集和測試集；

61、還包括步驟10，基于驗證集和測試集對權重更新后的學生模型進行驗證、測試和保存；具體包括：

62、步驟1001，當前批次的弱增強樣本集和強增強樣本集訓練所述教師模型和學生模型結束后，隨機選擇另一個弱增強樣本集和強增強樣本集經過步驟5-步驟9訓練教師模型和學生模型；

63、步驟1002，采用平均交并比評價每批次訓練接受后的學生模型，保存平均交并比最高的學生模型的權重；

64、步驟1003，采用測試集對保存的學生模型進行測試，計算平均交并比并將預測變化概率進行可視化，得到雙時相圖像對的變化檢測結果。

65、與現(xiàn)有技術相比，采用平均交并比作為評價指標，直接反映變化檢測精度，確保對真實場景的實用性，可視化操作進一步驗證本技術方法在對復雜場景的變化檢測的魯棒性，為實際部署提供直觀依據。