(12)發(fā)明專利張明陽王善峰劉潔怡務(wù)所(普通合伙)61230GO6V2GO6V10/764(2022.01)GO6N3一種網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變本發(fā)明公開了一種網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)域波動(dòng)性進(jìn)行像素鄰域信息分析生成相似性矩拐點(diǎn)處的解得到表示最優(yōu)性能的卷積神經(jīng)網(wǎng)絡(luò)對(duì)同一地點(diǎn)不同時(shí)刻獲取的兩幅SAR圖像進(jìn)行去噪處理，分別得到去噪SAR圖像基于鄰域波動(dòng)性，對(duì)兩幅去噪SAR圖像進(jìn)行像素鄰域信息分析，生成相似性矩陣?yán)妙A(yù)設(shè)的閾值分割算法分割相似性矩陣得到偽標(biāo)簽矩陣?yán)脙煞ピ隨AR圖像得到樣本集，并利用偽標(biāo)簽矩陣從樣本集中選出部分作為訓(xùn)練樣本集設(shè)定用于變化檢測(cè)分類的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)遍歷空間，利用預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前沿面作為解集選擇帕累托前沿面拐點(diǎn)處的解作為最終解，解碼得到表示最優(yōu)性能的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與相關(guān)參數(shù)，并利用得到的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練樣本集重新進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到訓(xùn)練完成的變化檢測(cè)分類網(wǎng)絡(luò)將樣本集輸入變化檢測(cè)分類網(wǎng)絡(luò)，得到兩幅SAR圖像的變化檢測(cè)結(jié)果2對(duì)同一地點(diǎn)不同時(shí)刻獲取的兩幅SAR圖像進(jìn)行去噪處理，分別得到去噪SAR圖像；利用預(yù)設(shè)的閾值分割算法分割所述相似性矩陣得到偽標(biāo)簽矩陣；其中，所述偽標(biāo)簽矩陣中的元素值為0和1,分別表示所述兩幅去噪后SAR圖像中的未變化類和變化類；利用所述兩幅去噪SAR圖像得到樣本集，并利用所述偽標(biāo)簽矩陣從所述樣本集中選出部分作為訓(xùn)練樣本集；設(shè)定用于變化檢測(cè)分類的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)遍歷空間，利用預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前沿面作為解集，包括：定義SAR圖塊分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)協(xié)同優(yōu)化的雙層優(yōu)化問題；其中，上層優(yōu)化用于遍歷網(wǎng)絡(luò)結(jié)構(gòu)體系，下層優(yōu)化針對(duì)給定網(wǎng)絡(luò)結(jié)構(gòu)體系遍歷網(wǎng)絡(luò)的權(quán)重；進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)協(xié)同尋優(yōu)的多目標(biāo)建模；其中，目標(biāo)函數(shù)包括變化檢測(cè)的正確率PCC和作為計(jì)算復(fù)雜度值的浮點(diǎn)運(yùn)算數(shù)FLOPs;從卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)、卷積核尺寸、膨脹率和輸入分辨率四個(gè)維度設(shè)置遍歷空間，并將卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)分解為相連的三個(gè)階段，每個(gè)階段包括用于遍歷層數(shù)的多個(gè)卷積層，每個(gè)卷積層采用瓶頸型結(jié)構(gòu)；分別構(gòu)建上下兩層的顯著代理模型，利用所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用所述上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前沿面作為解集；其中，上層代理模型采用在線學(xué)習(xí)算法，自適應(yīng)選擇四類精度預(yù)測(cè)代理模型，尋求遍歷空間中接近當(dāng)前權(quán)衡前沿的架構(gòu)；下層代理模型通過超網(wǎng)模型獲得初始權(quán)重，采用權(quán)重共享技術(shù)微調(diào)精度預(yù)測(cè)代理模型；選擇所述帕累托前沿面拐點(diǎn)處的解作為最終解，解碼得到表示最優(yōu)性能的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與相關(guān)參數(shù)，并利用得到的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和所述訓(xùn)練樣本集重新進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到訓(xùn)練完成的變化檢測(cè)分類網(wǎng)絡(luò)；將所述樣本集輸入所述變化檢測(cè)分類網(wǎng)絡(luò)，得到所述兩幅SAR圖像的變化檢測(cè)結(jié)果。2.根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢測(cè)方法，其特征在以每個(gè)像素為中心像素，利用預(yù)設(shè)大小的矩形滑窗，遍歷計(jì)算每個(gè)像素位置處針對(duì)所述兩幅去噪SAR圖像的鄰域異質(zhì)性值，得到所述兩幅去噪SAR圖像的鄰域異質(zhì)性函數(shù)；利用所述兩幅去噪SAR圖像構(gòu)建鄰域暗像素相似度函數(shù)和鄰域明像素相似度函數(shù)；其中，所述鄰域暗像素相似度函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形滑窗區(qū)域內(nèi)，最小中心像素灰度值與最小鄰域像素灰度值之間的接近度；所述鄰域明像素相似度函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形滑窗區(qū)域內(nèi)，最大中心像素灰度值與最大鄰域像素灰度值之間的接近度；利用所述兩幅去噪SAR圖像構(gòu)建波動(dòng)參數(shù)函數(shù)；其中，所述波動(dòng)參數(shù)函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形滑窗區(qū)域內(nèi)，中心像素灰度值與鄰域像素灰度值之間的接近度；針對(duì)每個(gè)像素位置，判斷所述鄰域異質(zhì)性函數(shù)、所述波動(dòng)參數(shù)函數(shù)、所述鄰域暗像素相3似度函數(shù)和所述鄰域明像素相似度函數(shù)之間的關(guān)系，生成所述兩幅去噪SAR圖像的相似性矩陣。示所述兩幅去噪SAR圖像的矩形滑窗內(nèi)中心像素之外的鄰域像素的灰度值；Ω,i≠x表示5.根據(jù)權(quán)利要求4所述的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢6.根據(jù)權(quán)利要求5所述的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢測(cè)方法，其特征在47.根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢測(cè)方法，其特征在依據(jù)像素對(duì)準(zhǔn)原則堆疊所述兩幅去噪SAR圖像，并對(duì)堆疊后的圖像組進(jìn)行柵格化分割針對(duì)每個(gè)圖塊，確定所述偽標(biāo)簽矩陣中與該圖塊的像素位置針對(duì)每個(gè)圖塊，統(tǒng)計(jì)該圖塊的所有鄰域圖塊中與該圖塊的標(biāo)對(duì)每一個(gè)標(biāo)簽類別對(duì)應(yīng)的圖塊集合，均依據(jù)同類標(biāo)簽鄰域塊數(shù)8.根據(jù)權(quán)利要求7所述的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢測(cè)方法，其特征在失最小時(shí)的卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)權(quán)重；Ω表示候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)集合；Q表示候9.根據(jù)權(quán)利要求1或8所述的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢測(cè)方法，其特所述利用所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用所述上下兩層的5絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的基于預(yù)設(shè)的編碼策略，設(shè)置種群數(shù)量，隨機(jī)生成候選卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的所述種群數(shù)量個(gè)編碼個(gè)體；其中，在所述預(yù)設(shè)的編碼策略下，每個(gè)編碼個(gè)體的數(shù)據(jù)基于所述三個(gè)階段的編碼數(shù)據(jù)串接得到；每個(gè)階段的編碼數(shù)據(jù)為，對(duì)該階段的神經(jīng)網(wǎng)絡(luò)架構(gòu)選擇，采用整數(shù)制字符串按照層數(shù)-卷積核尺寸-膨脹率-輸入分辨率的順序編碼，并且將零填充到具有較少層的體系結(jié)構(gòu)的字符串中，得到的一個(gè)固定長度的編碼；將所述種群數(shù)量個(gè)編碼個(gè)體作為父代種群，評(píng)價(jià)所述父代種群中每個(gè)個(gè)體的適應(yīng)度；對(duì)每個(gè)個(gè)體進(jìn)行解碼得到候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，利于所述訓(xùn)練樣本集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并使用所述上下兩層的顯著代理模型分別優(yōu)化所述候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與相關(guān)權(quán)重參數(shù)；其中，上層構(gòu)建有四種類型的代理模型，并使用自適應(yīng)切換的選擇機(jī)制，交叉驗(yàn)證自適應(yīng)地選擇最佳模型；下層構(gòu)建有超網(wǎng)模型并按照漸進(jìn)式收縮算法進(jìn)行訓(xùn)練得到網(wǎng)絡(luò)的權(quán)重參數(shù)，作為梯度下降算法的熱啟動(dòng)；輸出每個(gè)訓(xùn)練好的候選卷積神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)正確率與計(jì)算復(fù)雜度，作為該個(gè)體的適應(yīng)度值；對(duì)所述父代種群根據(jù)對(duì)應(yīng)的適應(yīng)度值進(jìn)行快速非支配排序，并計(jì)算擁擠度對(duì)處于同一帕累托等級(jí)的個(gè)體進(jìn)行擁擠度排序；對(duì)排序后的父代種群進(jìn)行選擇操作、交叉操作和變異操作得到子代種群；其中，所述選擇操作使用二進(jìn)制錦標(biāo)賽法，所述交叉操作使用兩點(diǎn)交叉法，所述變異操作使用多項(xiàng)式變異算子；將排序及選擇后的父代種群和所述子代種群合并得到合并種群，并評(píng)價(jià)所述合并種群的適應(yīng)度值；其中，對(duì)所述合并種群的每個(gè)個(gè)體進(jìn)行解碼得到候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，利于所述訓(xùn)練樣本集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并使用所述上下兩層的顯著代理模型分別優(yōu)化所述候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與相關(guān)權(quán)重參數(shù)，得到候選網(wǎng)絡(luò)的變化檢測(cè)正確率與計(jì)算復(fù)雜度，作為該個(gè)體的適應(yīng)度值；對(duì)所述合并種群根據(jù)對(duì)應(yīng)的適應(yīng)度值進(jìn)行快速非支配排序，并且計(jì)算所述合并種群中個(gè)體的擁擠度，選擇所述種群數(shù)量個(gè)非支配等級(jí)小且擁擠度大的個(gè)體作為新的父代種群；重復(fù)對(duì)父代種群進(jìn)行選擇、交叉、變異、合并、評(píng)價(jià)與排序操作，直至達(dá)到最大迭代次6一種網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢測(cè)方法技術(shù)領(lǐng)域[0001]本發(fā)明屬于遙感圖像變化檢測(cè)領(lǐng)域，具體涉及一種網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的背景技術(shù)[0002]變化檢測(cè)是從同一地點(diǎn)不同時(shí)期的遙感數(shù)據(jù)中定量分析和確定地表變化特征與變化過程。合成孔徑雷達(dá)(SyntheticApe等特點(diǎn)，相對(duì)于可見光、紅外傳感器等具有不受天氣影響的優(yōu)勢(shì)，因而在遙感領(lǐng)域得到了廣泛的應(yīng)用。SAR圖像的變化檢測(cè)技術(shù)已經(jīng)在國土測(cè)量、災(zāi)害評(píng)估與建筑規(guī)劃等領(lǐng)域得到了廣泛的應(yīng)用。而由于其特殊的成像機(jī)制，SAR圖像固有的相干斑噪聲會(huì)對(duì)其變化檢測(cè)過程產(chǎn)生影響。[0003]傳統(tǒng)的SAR圖像變化檢測(cè)技術(shù)通常分為預(yù)處理、生成差異圖和差異圖分析三個(gè)步驟。預(yù)處理步驟主要包括配準(zhǔn)、幾何校正及圖像去噪等。生成差異圖步驟是將不同時(shí)刻的兩幅圖像進(jìn)行比較并生成差異圖，在差異圖中，變化區(qū)域的像素和非變化區(qū)域的像素在灰度上將呈現(xiàn)出明顯的差異。差異圖分析步驟是將獲得的差異圖進(jìn)行分析，提取變化信息，最終得到兩幅圖像的變化區(qū)域和非變化區(qū)域。其中，差異圖的生成與分析是SAR圖像變換檢測(cè)技術(shù)中的重要步驟，而差異圖的質(zhì)量會(huì)直接影響變化檢測(cè)的性能。[0004]隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展，越來越多的變化檢測(cè)方法嘗試通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)SAR圖像的特征信息，并通過分類器對(duì)圖像特征信息進(jìn)行分類得到最終變化的結(jié)果，這些方法在一定程度上能夠抑制相干斑噪聲的干擾，提升變化檢測(cè)的精度。例如，公開號(hào)為CN111339827A,名稱為《基于多區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像變化檢測(cè)方法》的中國專利公開了一種變化檢測(cè)方法，該方法對(duì)兩幅SAR圖像進(jìn)行差異分析，得到差分圖像；將差分圖像進(jìn)行預(yù)分類，得到構(gòu)建的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；將樣本訓(xùn)練數(shù)據(jù)集送入提出的多區(qū)域卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；將訓(xùn)練后的網(wǎng)絡(luò)用于測(cè)試集測(cè)試，進(jìn)而得到整幅同地多時(shí)相SAR圖像的變化檢測(cè)結(jié)果。然而，這類基于深度神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)方法中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)設(shè)置都是基于經(jīng)驗(yàn)主義設(shè)置，或者通過人工不斷手動(dòng)嘗試，選擇仿真實(shí)驗(yàn)中最優(yōu)的網(wǎng)絡(luò)層數(shù)、節(jié)點(diǎn)數(shù)、連接方式與相關(guān)的參數(shù)來確定最終的網(wǎng)絡(luò)。但人為設(shè)計(jì)的網(wǎng)絡(luò)框架，不但調(diào)參復(fù)雜、耗時(shí)嚴(yán)重，而且難以找到性能最優(yōu)的架構(gòu)與參數(shù)設(shè)置，因此會(huì)對(duì)變化檢測(cè)的精度產(chǎn)生一定的不良影響。發(fā)明內(nèi)容[0005]為了解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供了一種網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢測(cè)方法。本發(fā)明要解決的技術(shù)問題通過以下技術(shù)方案實(shí)現(xiàn)：[0007]對(duì)同一地點(diǎn)不同時(shí)刻獲取的兩幅SAR圖像進(jìn)行去噪處理，分別得到去噪SAR圖像；[0008]基于鄰域波動(dòng)性，對(duì)兩幅去噪SAR圖像進(jìn)行像素鄰7[0009]利用預(yù)設(shè)的閾值分割算法分割所述相似性矩陣得到偽標(biāo)簽矩陣；其中，所述偽標(biāo)簽矩陣中的元素值為0和1,分別表示所述兩幅去噪后SAR圖像中的未變化類和變化類；[0010]利用所述兩幅去噪SAR圖像得到樣本集，并利用所述偽標(biāo)簽矩陣從所述樣本集中選出部分作為訓(xùn)練樣本集；[0011]設(shè)定用于變化檢測(cè)分類的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)遍歷空間，利用預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前沿面作為解集；[0012]選擇所述帕累托前沿面拐點(diǎn)處的解作為最終解，解碼得到表示最優(yōu)性能的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與相關(guān)參數(shù)，并利用得到的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和所述訓(xùn)練樣本集重新進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到訓(xùn)練完成的變化檢測(cè)分類網(wǎng)絡(luò)；[0013]將所述樣本集輸入所述變化檢測(cè)分類網(wǎng)絡(luò)，得到所述兩幅SAR圖像的變化檢測(cè)結(jié)[0014]在本發(fā)明的一個(gè)實(shí)施例中，所述基于鄰域波動(dòng)性，對(duì)兩幅去噪SAR圖像進(jìn)行像素鄰[0015]以每個(gè)像素為中心像素，利用預(yù)設(shè)大小的矩形滑窗，遍歷計(jì)算每個(gè)像素位置處針對(duì)所述兩幅去噪SAR圖像的鄰域異質(zhì)性值，得到所述兩幅去噪SAR圖像的鄰域異質(zhì)性函數(shù)；[0016]利用所述兩幅去噪SAR圖像構(gòu)建鄰域暗像素相似度函數(shù)和鄰域明像素相似度函數(shù)；其中，所述鄰域暗像素相似度函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形滑窗區(qū)域內(nèi)，最小中心像素灰度值與最小鄰域像素灰度值之間的接近度；所述鄰域明像素相似度函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形滑窗區(qū)域內(nèi)，最大中心像素灰度值與最大鄰域像素灰度值之間的接近度；[0017]利用所述兩幅去噪SAR圖像構(gòu)建波動(dòng)參數(shù)函數(shù)；其中，所述波動(dòng)參數(shù)函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形滑窗區(qū)域內(nèi)，中心像素灰度值與鄰域像素灰度值之間的接近度；[0018]針對(duì)每個(gè)像素位置，判斷所述鄰域異質(zhì)性函數(shù)、所述波動(dòng)參數(shù)函數(shù)、所述鄰域暗像素相似度函數(shù)和所述鄰域明像素相似度函數(shù)之間的關(guān)系，生成所述兩幅去噪SAR圖像的相似性矩陣。[0021]其中，h(x)表示所述鄰域異質(zhì)性函數(shù)；μ(x)表示所述兩幅去噪滑窗區(qū)域內(nèi)所有像素灰度值的均值；σ(x)表示所述兩幅去噪SAR圖像在同一矩形滑窗區(qū)域內(nèi)所有像素灰度值的方差值。[0022]在本發(fā)明的一個(gè)實(shí)施例中，所述鄰域暗像素相似度函數(shù)和所述鄰域明像素相似度函數(shù)的表達(dá)式分別包括：8別表示所述兩幅去噪SAR圖像的矩形滑窗內(nèi)中心像素之外的鄰域像素的灰度值；Ω,i≠x[0032]依據(jù)像素對(duì)準(zhǔn)原則堆疊所述兩幅去噪SAR圖像，并對(duì)堆疊后的圖像組進(jìn)行柵格化9[0036]在本發(fā)明的一個(gè)實(shí)施例中，所述設(shè)定用于變化檢測(cè)分類的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)遍歷空間，利用預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前[0037]定義SAR圖塊分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)協(xié)同優(yōu)化的雙層優(yōu)化問題；其中，上層優(yōu)化用于遍歷網(wǎng)絡(luò)結(jié)構(gòu)體系，下層優(yōu)化針對(duì)給定網(wǎng)絡(luò)結(jié)構(gòu)體系遍歷網(wǎng)絡(luò)的權(quán)重；[0038]進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)協(xié)同尋優(yōu)的多目標(biāo)建模；其中，目標(biāo)函數(shù)包括變化檢測(cè)的正確率PCC和作為計(jì)算復(fù)雜度值的浮點(diǎn)運(yùn)算數(shù)FLOPs;[0039]從卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)、卷積核尺寸、膨脹率和輸入分辨率四個(gè)維度設(shè)置遍歷空間，并將卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)分解為相連的三個(gè)階段，每個(gè)階段包括用于遍歷層數(shù)的多個(gè)卷[0040]分別構(gòu)建上下兩層的顯著代理模型，利用所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用所述上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前沿面作為解集；其中，上層代理模型采用在線學(xué)習(xí)算法，自適應(yīng)選擇四類精度預(yù)測(cè)代理模型，尋求遍歷空間中接近當(dāng)前權(quán)衡前沿的架構(gòu)；下層代理模型通過超網(wǎng)模型獲得初始權(quán)重，采用權(quán)重共享技術(shù)微調(diào)精度預(yù)測(cè)代理模型。[0041]在本發(fā)明的一個(gè)實(shí)施例中，所述SAR圖塊分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)協(xié)同優(yōu)化的雙層優(yōu)化問題表示為：[0045]其中，上層變量θ定義候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，下層變量@(θ)定義候選卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)權(quán)重。L(W;θ)表示給定體系結(jié)構(gòu)θ的訓(xùn)練數(shù)據(jù)的交叉熵?fù)p失；F:Q→R構(gòu)成m個(gè)期望目標(biāo)；其中，所述m個(gè)期望目標(biāo)被分為兩組，第一組f?~f由既取決于體系結(jié)構(gòu)又取決于權(quán)重的目標(biāo)組成；第二組fk+1~f.由僅取決于體系結(jié)構(gòu)的目標(biāo)組成；①*(θ)表示交叉熵?fù)p失最小時(shí)的卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)權(quán)重；Ω表示候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)集合；Ω。表示候選卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)權(quán)重集合。[0046]在本發(fā)明的一個(gè)實(shí)施例中，所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法為基于快速非支配排序的遺傳算法NSGA-II;[0047]所述利用所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用所述上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜[0048]基于預(yù)設(shè)的編碼策略，設(shè)置種群數(shù)量，隨機(jī)生成候選卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的所述種群數(shù)量個(gè)編碼個(gè)體；其中，在所述預(yù)設(shè)的編碼策略下，每個(gè)編碼個(gè)體的數(shù)據(jù)基于所述三個(gè)階段的編碼數(shù)據(jù)串接得到；每個(gè)階段的編碼數(shù)據(jù)為，對(duì)該階段的神經(jīng)網(wǎng)絡(luò)架構(gòu)選擇，采用整數(shù)制字符串按照層數(shù)-卷積核尺寸-膨脹率-輸入分辨率的順序編碼，并且將零填充到具有較少層的體系結(jié)構(gòu)的字符串中，得到的一個(gè)固定長度的編碼；[0049]將所述種群數(shù)量個(gè)編碼個(gè)體作為父代種群，評(píng)價(jià)所述父代種群中每個(gè)個(gè)體的適應(yīng)度；對(duì)每個(gè)個(gè)體進(jìn)行解碼得到候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，利于所述訓(xùn)練樣本集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并使用所述上下兩層的顯著代理模型分別優(yōu)化所述候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與相關(guān)權(quán)重參數(shù)；其中，上層構(gòu)建有四種類型的代理模型，并使用自適應(yīng)切換的選擇機(jī)制，交叉驗(yàn)證自適應(yīng)地選擇最佳模型；下層構(gòu)建有超網(wǎng)模型并按照漸進(jìn)式收縮算法進(jìn)行訓(xùn)練得到網(wǎng)絡(luò)的權(quán)重參數(shù)，作為梯度下降算法的熱啟動(dòng)；輸出每個(gè)訓(xùn)練好的候選卷積神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)正確率與計(jì)算復(fù)雜度，作為該個(gè)體的適應(yīng)度值；[0050]對(duì)所述父代種群根據(jù)對(duì)應(yīng)的適應(yīng)度值進(jìn)行快速非支配排序，并計(jì)算擁擠度對(duì)處于同一帕累托等級(jí)的個(gè)體進(jìn)行擁擠度排序；[0051]對(duì)排序后的父代種群進(jìn)行選擇操作、交叉操作和變異操作得到子代種群；其中，所述選擇操作使用二進(jìn)制錦標(biāo)賽法，所述交叉操作使用兩點(diǎn)交叉法，所述變異操作使用多項(xiàng)式變異算子；[0052]將排序及選擇后的父代種群和所述子代種群合并得到合并種群，并評(píng)價(jià)所述合并種群的適應(yīng)度值；其中，對(duì)所述合并種群的每個(gè)個(gè)體進(jìn)行解碼得到候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，利于所述訓(xùn)練樣本集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并使用所述上下兩層的顯著代理模型分別優(yōu)化所述候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與相關(guān)權(quán)重參數(shù)，得到候選網(wǎng)絡(luò)的變化檢測(cè)正確率與計(jì)算復(fù)雜[0053]對(duì)所述合并種群根據(jù)對(duì)應(yīng)的適應(yīng)度值進(jìn)行快速非支配排序，并且計(jì)算所述合并種群中個(gè)體的擁擠度，選擇所述種群數(shù)量個(gè)非支配等級(jí)小且擁擠度大的個(gè)體作為新的父代種[0055]本發(fā)明實(shí)施例所提供的方案中，將協(xié)同進(jìn)化的思想引入到SAR圖像變化檢測(cè)分類網(wǎng)絡(luò)中，尋求最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)配置，有效提高變化檢測(cè)的精度的同時(shí)，能夠兼顧卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜性。且無需生成差異圖，擺脫了SAR圖像變化檢測(cè)技術(shù)對(duì)差異圖質(zhì)量的依賴。[0056]并且，本發(fā)明時(shí)實(shí)施例針對(duì)尋求最佳架構(gòu)及其相關(guān)的最佳權(quán)重的雙層優(yōu)化問題，分別在上下兩層使用顯著代理模型。一個(gè)在體系結(jié)構(gòu)級(jí)別采用在線學(xué)習(xí)算法，提高尋查效率，另一個(gè)在權(quán)重級(jí)別，通過超網(wǎng)微調(diào)提高梯度下降的訓(xùn)練效率。[0057]以下將結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)說明。附圖說明[0058]圖1為本發(fā)明實(shí)施例提供的一種網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR圖像變化檢測(cè)方法的流程示意圖；[0059]圖2為本發(fā)明實(shí)施例的兩幅去噪SAR圖像中像素與矩形滑窗的位置關(guān)系示意圖；[0060]圖3為本發(fā)明實(shí)施例提供的上下兩層的顯著代理模型的結(jié)構(gòu)和原理示意圖；[0061]圖4為本發(fā)明實(shí)施例提供的協(xié)同優(yōu)化的編碼策略的示意圖；[0062]圖5為本發(fā)明實(shí)施例提供的用于仿真實(shí)驗(yàn)的第一組SAR圖像和變化參考圖；[0063]圖6為本發(fā)明實(shí)施例提供的用于仿真實(shí)驗(yàn)的第二組SAR圖像和變化參考圖；[0064]圖7為分別使用現(xiàn)有方法和本發(fā)明方法對(duì)圖5的變化檢測(cè)仿真圖；[0067]請(qǐng)參見圖1,圖1是本發(fā)明實(shí)施例提供的一種一種網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)協(xié)同優(yōu)化的SAR[0069]SAR圖像在成像、傳輸、轉(zhuǎn)換或存儲(chǔ)過程中會(huì)受到各種隨機(jī)干擾信號(hào)即噪聲的影[0072]本發(fā)明實(shí)施例針對(duì)所述兩幅去噪SAR圖像得到一個(gè)相似性矩陣，該相似性矩陣體[0078]本發(fā)明實(shí)施例中矩形滑窗為預(yù)設(shè)大小的正方形，尺寸至少為3×3.以下以3×3的[0083]S22,利用所述兩幅去噪SAR圖像構(gòu)建鄰域暗像素相似度函數(shù)和鄰域明像素相似度[0084]其中，所述鄰域暗像素相似度函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形相似度函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形滑窗區(qū)域內(nèi)，最大中心像素灰度別表示所述兩幅去噪SAR圖像的矩形滑窗內(nèi)中心像素之外的鄰域像素的灰度值；Ω,i≠x[0090]其中，所述波動(dòng)參數(shù)函數(shù)表示所述兩幅去噪SAR圖像在同一位置的矩形滑窗區(qū)域[0094]如圖2,所述波動(dòng)參數(shù)函數(shù)表示的是兩幅去噪SAR圖像中，所有鄰域像素的灰度值[0100]需要說明的是，發(fā)明實(shí)施例生成的相似性矩陣與現(xiàn)有[0102]本發(fā)明實(shí)施例中，預(yù)設(shè)的閾值分割算法可以采用現(xiàn)有的任意一種閾值分割算[0107]S41,依據(jù)像素對(duì)準(zhǔn)原則堆疊所述兩幅去噪SAR圖像，并對(duì)堆疊后的圖像組進(jìn)行柵個(gè)圖塊包括所述兩幅去噪SAR圖像中相同區(qū)域的部分像素。以下以圖塊大小為2×2為例說標(biāo)簽類別為1。每一標(biāo)簽類別下都含有多個(gè)圖塊，構(gòu)成該標(biāo)簽類別對(duì)應(yīng)的圖塊集合。[0112]S43,針對(duì)每個(gè)圖塊，統(tǒng)計(jì)該圖塊的所有鄰域圖塊中與該圖塊的標(biāo)簽類別相同的鄰域圖塊的數(shù)量作為該圖塊的同類標(biāo)簽鄰域塊數(shù)。[0113]具體舉例，針對(duì)一個(gè)圖塊，其周圍相鄰的8個(gè)圖塊為其鄰域圖塊。針對(duì)該圖塊可以統(tǒng)計(jì)得到這8個(gè)鄰域圖塊中與其標(biāo)簽類別相同的鄰域圖塊的數(shù)量，比如該圖塊的標(biāo)簽類別為0,其8個(gè)鄰域圖塊中有6個(gè)鄰域圖塊的標(biāo)簽類別為0,則該圖塊的同類標(biāo)簽鄰域塊數(shù)為6。邊緣圖塊，其鄰域圖塊不足8個(gè)，因此，同類標(biāo)簽鄰域塊數(shù)較小，不在[0115]S44,對(duì)每一個(gè)標(biāo)簽類別對(duì)應(yīng)的圖塊集合，均依據(jù)同類標(biāo)簽鄰域塊數(shù)由大至小的順序進(jìn)行圖塊排序，并按照預(yù)設(shè)比例選取出排列在前的多個(gè)圖塊，由兩個(gè)標(biāo)簽類別選取出的所有圖塊構(gòu)成訓(xùn)練樣本集。[0116]本發(fā)明實(shí)施例中預(yù)設(shè)比例比如可以為1/4等，可以根據(jù)需要進(jìn)行選擇。[0117]具體舉例，將標(biāo)簽類別為0和1的圖塊集合中的圖塊，各自依據(jù)同類標(biāo)簽鄰域塊數(shù)由大至小的順序進(jìn)行排序，在排序后的每個(gè)圖塊序列中，選取出排序在前的1/4個(gè)圖塊。由兩個(gè)標(biāo)簽類別選取出的所有圖塊構(gòu)成訓(xùn)練樣本集。[0118]S5,設(shè)定用于變化檢測(cè)分類的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)遍歷空間，利用預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前沿面作為解集。[0120]A1,定義SAR圖塊分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)協(xié)同優(yōu)化的雙層優(yōu)化問題。[0121]其中，上層優(yōu)化用于遍歷網(wǎng)絡(luò)結(jié)構(gòu)體系，下層優(yōu)化針對(duì)給定網(wǎng)絡(luò)結(jié)構(gòu)體系遍歷網(wǎng)絡(luò)的權(quán)重。[0122]具體的，所述SAR圖塊分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)協(xié)同優(yōu)化的雙層優(yōu)化問題表示為：[0125]其中，上層變量θ定義候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，下層變量@(θ)定義候選卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)權(quán)重。L(W;θ)表示給定體系結(jié)構(gòu)θ的訓(xùn)練數(shù)據(jù)的交叉熵?fù)p失；F:Q→R"構(gòu)成m個(gè)期望目標(biāo)；其中，所述m個(gè)期望目標(biāo)被分為兩組，第一組f?~f由既取決于體系結(jié)構(gòu)又取決于權(quán)重的目標(biāo)組成；第二組fk+1~f由僅取決于體系結(jié)構(gòu)的目標(biāo)組成；o*(0)表示交叉熵?fù)p失最小時(shí)的卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)權(quán)重；Ω表示候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)集合；Ω。表示候選卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)權(quán)重集合。[0126]A2,進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)協(xié)同尋優(yōu)的多目標(biāo)建模。[0127]用于變化檢測(cè)分類的卷積神經(jīng)網(wǎng)絡(luò)的實(shí)際設(shè)計(jì)中，由于計(jì)算耗時(shí)和過擬合的問題限制，期望達(dá)到網(wǎng)絡(luò)實(shí)現(xiàn)精準(zhǔn)變化檢測(cè)，同時(shí)還需要考慮到網(wǎng)絡(luò)結(jié)構(gòu)的計(jì)算復(fù)雜性，即在檢測(cè)精度與計(jì)算復(fù)雜性兩個(gè)目標(biāo)之間尋求平衡。因此本發(fā)明實(shí)施例設(shè)置兩個(gè)目標(biāo)函數(shù)。[0128]其中，目標(biāo)函數(shù)包括變化檢測(cè)的正確率PCC和作為計(jì)算復(fù)雜度值的浮點(diǎn)運(yùn)算數(shù)分類的像素?cái)?shù)目；H?n和W.n分別表示輸入特征的高度與寬度；Cin和Cut分別表示輸入和輸出[0132]A3,從卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)、卷積核尺寸、膨脹率和輸入分辨率四個(gè)維度設(shè)置遍歷空間，并將卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)分解為相連的三個(gè)階段，每個(gè)階段包括用于遍歷層數(shù)的多個(gè)卷積層，每個(gè)卷積層采用瓶頸型結(jié)構(gòu)。[0133]如圖4所示，本發(fā)明實(shí)施例將卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)分解為順序相連的三個(gè)階段，每個(gè)階段包括多個(gè)卷積層，每個(gè)卷積層可以設(shè)計(jì)不同尺寸的卷積核尺寸。隨著網(wǎng)絡(luò)層數(shù)的逐漸加深，輸出的特征圖尺寸逐漸減小，特征圖通道數(shù)量逐漸增加。在每個(gè)階段中遍歷層數(shù)，設(shè)置每個(gè)階段的卷積層數(shù)最小有兩層，最多有四層。每層采用瓶頸型結(jié)構(gòu)，搜索該階段前面一個(gè)1×1卷積的膨脹率和深層卷積核的尺寸。[0134]A4,分別構(gòu)建上下兩層的顯著代理模型，利用所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用所述上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前沿面作為解集。[0135]其中，上層代理模型采用在線學(xué)習(xí)算法，自適應(yīng)選擇四類精度預(yù)測(cè)代理模型，尋求遍歷空間中接近當(dāng)前權(quán)衡前沿的架構(gòu)；下層代理模型通過超網(wǎng)模型獲得初始權(quán)重，采用權(quán)重共享技術(shù)微調(diào)精度預(yù)測(cè)代理模型。[0136]圖3為本發(fā)明實(shí)施例提供的上下兩層的顯著代理模型的結(jié)構(gòu)和原理示意圖。[0137]為加快上層優(yōu)化，本發(fā)明實(shí)施例提供了四種不同的精度預(yù)測(cè)代理模型，即多層感有四種類型的代理模型，并通過自適應(yīng)切換的選擇機(jī)制，交叉驗(yàn)證自適應(yīng)地選擇最佳模型。為加快下層優(yōu)化，通過獲取搜索的架構(gòu)超參數(shù)的最大值來構(gòu)建超網(wǎng)絡(luò)，例如三個(gè)塊中各有四層，膨脹率設(shè)置為4,每層的卷積核尺寸設(shè)置為5。再遵循漸進(jìn)式收縮算法來訓(xùn)練超網(wǎng)絡(luò)。此過程將在尋優(yōu)前執(zhí)行一次。在尋索過程中，從訓(xùn)練過的超級(jí)網(wǎng)繼承的權(quán)重被用作為梯度下降算法的熱啟動(dòng)，即隨機(jī)梯度下降算法的初始權(quán)重。[0138]通過上述步驟，可以得到一組網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)的帕累托前沿面。[0139]其中，所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法可以為現(xiàn)有的任意一種多目標(biāo)遺傳算法實(shí)現(xiàn)，比如非支配排序遺傳算法NSGA(Non-dominatedSortingGeneticAlgorithm)等，或者可以為現(xiàn)有的任意一種基于分解的多目標(biāo)優(yōu)化算法：比如MOEA/D(Multi-objectiveEvolutionaryAlgorithmBasedonDecomposition)算法等。多目標(biāo)優(yōu)化會(huì)得到一組多個(gè)目標(biāo)盡可能同時(shí)最佳的非支配解的集合，這個(gè)集合也可以叫做帕累托(pareto)前沿面。[0140]可選的一種實(shí)施方式中，所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法為基于快速非支配排序的遺傳算法NSGA-II。[0141]相應(yīng)的，所述利用所述預(yù)設(shè)的多目標(biāo)優(yōu)化算法，采用所述上下兩層的顯著代理模型分別優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重參數(shù)，尋求最優(yōu)分類網(wǎng)絡(luò)模型，得到一組高檢測(cè)精度與低計(jì)算復(fù)雜度的帕累托前沿面作為解集，包括：[0142]B1,基于預(yù)設(shè)的編碼策略，設(shè)置種群數(shù)量，隨機(jī)生成候選卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的所述種群數(shù)量個(gè)編碼個(gè)體。[0143]其中，在所述預(yù)設(shè)的編碼策略下，每個(gè)編碼個(gè)體的數(shù)據(jù)基于所述三個(gè)階段的編碼數(shù)據(jù)串接得到；每個(gè)階段的編碼數(shù)據(jù)為，對(duì)該階段的神經(jīng)網(wǎng)絡(luò)架構(gòu)選擇，采用整數(shù)制字符串按照層數(shù)-卷積核尺寸-膨脹率-輸入分辨率的順序編碼，并且將零填充到具有較少層的體系結(jié)構(gòu)的字符串中，得到的一個(gè)固定長度的編碼。[0144]具體的，本發(fā)明實(shí)施例對(duì)候選卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)采用協(xié)同優(yōu)化的編碼策略進(jìn)行編碼，請(qǐng)參見圖4,圖4為本發(fā)明實(shí)施例提供的協(xié)同優(yōu)化的編碼策略的示意圖。[0145]如圖4所示，使用整數(shù)制字符串按照“層數(shù)-卷積核尺寸-膨脹率-輸入分辨率”的順序來編碼卷積神經(jīng)網(wǎng)絡(luò)每個(gè)階段的架構(gòu)選擇，對(duì)于層數(shù)較少的架構(gòu)字符串采取零填充的策略，以便形成一個(gè)固定長度的編碼策略方便進(jìn)行演化計(jì)算。整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的三個(gè)階段都采用統(tǒng)一的編碼形式。[0147]B2,將所述種群數(shù)量個(gè)編碼個(gè)體作為父代種群，評(píng)價(jià)所述父代種群中每個(gè)個(gè)體的適應(yīng)度；對(duì)每個(gè)個(gè)體進(jìn)行解碼得到候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，利于所述訓(xùn)練樣本集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并使用所述上下兩層的顯著代理模型分別優(yōu)化所述候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與相關(guān)權(quán)重參數(shù)。[0148]其中，上層構(gòu)建有四種類型的代理模型，并使用自適應(yīng)切換的選擇機(jī)制，交叉驗(yàn)證自適應(yīng)地選擇最佳模型；下層構(gòu)建有超網(wǎng)模型并按照漸進(jìn)式收縮算法進(jìn)行訓(xùn)練得到網(wǎng)絡(luò)的權(quán)重參數(shù)，作為梯度下降算法的熱啟動(dòng)；輸出每個(gè)訓(xùn)練好的候選卷積神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)正確率與計(jì)算復(fù)雜度，作為該個(gè)體的適應(yīng)度值。[0149]變化檢測(cè)正確率和計(jì)算復(fù)雜度值采用現(xiàn)有計(jì)算方式得得到，在此不做詳細(xì)說明。[0150]B3,對(duì)所述父代種群根據(jù)對(duì)應(yīng)的適應(yīng)度值進(jìn)行快速非支配排序，并計(jì)算擁擠度對(duì)處于同一帕累托等級(jí)的個(gè)體進(jìn)行擁擠度排序。[0151]B4,對(duì)排序后的父代種群進(jìn)行選擇操作、交叉操作和變異操作得到子代種群。[0152]具體的，所述選擇操作使用二進(jìn)制錦標(biāo)賽法，即在所述父代種群中選擇兩兩一對(duì)交叉法，所述變異操作使用多項(xiàng)式變異算子。產(chǎn)生0～9內(nèi)的隨機(jī)整數(shù)值，交叉和變異的概率分別為0.8和0.05,以此來產(chǎn)生新的M個(gè)體，組成子代種群。[0153]B5,將排序及選擇后的父代種群和所述子代種群合并得到合并種群，并評(píng)價(jià)所述合并種群的適應(yīng)度值。[0154]合并種群的個(gè)體數(shù)為2M。[0155]其中，對(duì)所述合并種群的每個(gè)個(gè)體進(jìn)行解碼得到候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，利于所述訓(xùn)練樣本集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并使用所述上下兩層的顯著代理模型分別優(yōu)化所述候選卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與相關(guān)權(quán)重參數(shù)，得到候選網(wǎng)絡(luò)的變化檢測(cè)正確率與計(jì)算復(fù)雜度，作為該個(gè)體的適應(yīng)度值。[0156]B6,對(duì)所述合并種群根據(jù)對(duì)應(yīng)的適應(yīng)度值進(jìn)行快速非支配排序，并且計(jì)算所述合并種群中個(gè)體的擁擠度，選擇所述種群數(shù)量個(gè)非支配等級(jí)小且擁擠度大的個(gè)體作為新的父代種群。精度與低計(jì)算復(fù)雜度的帕累托前沿面。[0159]關(guān)于NSGA-II的具體執(zhí)行過程和相關(guān)概念請(qǐng)參見現(xiàn)有技術(shù)，在此不做贅述。[0160]S6,選擇所述帕累托前沿面拐點(diǎn)處的解作為最終解，解碼得到表示最優(yōu)性能的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與相關(guān)參數(shù)，并利用得到的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和所述訓(xùn)練樣本集重新進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到訓(xùn)練完成的變化檢測(cè)分類網(wǎng)絡(luò)。[0161]關(guān)于最終解的求解過程，請(qǐng)參見帕累托前沿面的相關(guān)知識(shí)理解，在此不做詳細(xì)說[0162]本發(fā)明實(shí)施例中，訓(xùn)練完成的變化檢測(cè)分類網(wǎng)絡(luò)是通過網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)協(xié)同優(yōu)化自動(dòng)尋求的，相比于人為設(shè)計(jì)網(wǎng)絡(luò)，具有快速尋優(yōu)且性能更佳的優(yōu)勢(shì)。[0163]S7,將所述樣本集輸入所述變化檢測(cè)分類網(wǎng)絡(luò)，得到所述兩幅SAR圖像的變化檢測(cè)[0164]具體的，將S41中得到的所有圖塊輸入所述變化檢測(cè)分類網(wǎng)絡(luò)，根據(jù)分類結(jié)果輸出所述兩幅SAR圖像的變化檢測(cè)結(jié)果。[0165]本發(fā)明實(shí)施例所提供的方案中，將協(xié)同進(jìn)化的思想引入到SAR圖像變化檢測(cè)分類網(wǎng)絡(luò)中，尋求最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)配置，有效提高變化檢測(cè)的精度的同時(shí)，能夠兼顧卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜性。且無需生成差異圖，擺脫了SAR圖像變化檢測(cè)技術(shù)對(duì)差異圖質(zhì)量的依賴。[0166]并且，本發(fā)明實(shí)施例針對(duì)尋求最佳架構(gòu)及其相關(guān)的最佳權(quán)重的雙層優(yōu)化問題，分別在上下兩層使用顯著代理模型。一個(gè)在體系結(jié)構(gòu)級(jí)別采用在線學(xué)習(xí)算法，提高尋查效率，另一個(gè)在權(quán)重級(jí)別，通過超網(wǎng)微調(diào)提高梯度下降的訓(xùn)練效率。[0167]為了驗(yàn)證本發(fā)明實(shí)施例方法的效果，以下結(jié)合仿真實(shí)驗(yàn)進(jìn)行說明。[0169]對(duì)于仿真實(shí)驗(yàn)，使用定性和定量分析對(duì)算法性能進(jìn)行評(píng)價(jià)，定量分析使用的主要評(píng)價(jià)指標(biāo)有：[0170]①錯(cuò)誤檢測(cè)數(shù)FP:將使用不同方法得到的變化檢測(cè)結(jié)果和變化參考圖相比較，變化參考圖中屬于未變化類但在仿真實(shí)驗(yàn)結(jié)果圖中屬于變化類的像素?cái)?shù)量，稱為錯(cuò)誤檢測(cè)[0171]②漏檢測(cè)數(shù)FN:將使用不同方法得到的變化檢測(cè)結(jié)果和變化參考圖相比較，變化檢測(cè)參考圖中屬于變化類但在仿真實(shí)驗(yàn)結(jié)果圖中屬于未變化類的像素?cái)?shù)量，稱為漏檢測(cè)[0172]③總錯(cuò)誤率OE:錯(cuò)誤檢測(cè)數(shù)和漏檢測(cè)數(shù)的和占總像素?cái)?shù)目的百分比。[0173]④衡量仿真實(shí)驗(yàn)結(jié)果圖與變化參考圖一致性的KC系數(shù)：[0176](二)仿真實(shí)驗(yàn)內(nèi)容[0177]運(yùn)用現(xiàn)有方法對(duì)不同的SAR圖像數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，使用本發(fā)明實(shí)施例方法和現(xiàn)有的兩個(gè)比較先進(jìn)的基于神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)技術(shù)進(jìn)行對(duì)比，對(duì)不同的SAR圖像數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)。對(duì)比試驗(yàn)中“DNN”是論文“ChangeDetectioninSyntheticAperture[0178]本發(fā)明實(shí)施例在實(shí)驗(yàn)中使用的第一個(gè)SAR圖像數(shù)據(jù)集是渥太華數(shù)據(jù)集。它代表渥太華市上空兩幅SAR圖像的一部分(290x350像素)。這些圖像分別于1997年5月和1997年8情況。渥太華數(shù)據(jù)集如圖5,圖5(c)是圖5(a)和圖5(b)的變化參考圖，白色區(qū)域表示變化區(qū)[0179]仿真使用的第二組圖像是撒丁島數(shù)據(jù)集，包括1999年4月撒丁島地區(qū)的圖像和1999年5月撒丁島地區(qū)的圖像。兩幅圖像的大小為412x300像素。這些數(shù)據(jù)顯示了撒丁島地區(qū)湖泊和水體的變化。圖6分別顯示了兩幅SAR圖像和參考圖像；圖6(c)是圖6(a)和圖6(b)的變化參考圖，白色區(qū)域表示變化區(qū)域，黑色區(qū)域表示未變化區(qū)域。[0180]仿真1.使用本發(fā)明實(shí)施例方法和現(xiàn)有方法對(duì)圖5所示的第一組渥太華數(shù)據(jù)集進(jìn)行CAE方法仿真得到的結(jié)果圖，圖7(c)為用本發(fā)明實(shí)施例方法仿真得到的結(jié)果圖。對(duì)圖7所示的第一組的SAR圖像的變化檢測(cè)仿真實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，得到的定量評(píng)價(jià)分析如表1所示。[0181]結(jié)合圖7和表1可以看出，通過DNN方法得到的變化檢測(cè)圖雖然可以檢測(cè)出主要的法檢測(cè)得到的變化檢測(cè)圖，F(xiàn)N值最低，但是部分區(qū)域例如左上方的減小的湖泊區(qū)域沒有檢測(cè)出來，導(dǎo)致FP較高。相比之下，本發(fā)明實(shí)施例方法可以檢測(cè)出圖像的大部分變化區(qū)域，并獲得更好的變化檢測(cè)結(jié)果，具有更高的變化檢測(cè)精度。[0182]表1渥太華數(shù)據(jù)集SAR圖像變化檢測(cè)結(jié)果定量評(píng)價(jià)[0184]仿真2.使用現(xiàn)有方法和本發(fā)明實(shí)施例方法對(duì)圖6所示的第二組圖像進(jìn)行變化檢得到的結(jié)果圖，圖7(c)為用本發(fā)明仿真得到的結(jié)果圖。對(duì)于圖8所示的第二組的SAR圖像的變化檢測(cè)仿真實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，得到的定量評(píng)價(jià)分析如表2所示。[0185]結(jié)合圖8和表2可以看出，通過DNN方法得到的變化檢測(cè)圖雖然可以檢測(cè)出主要的法檢測(cè)