学会“感知”变化：深度学习用于遥感影像变化检测

  相信多数人都玩过一种叫“大家来找茬”的游戏，这个游戏的玩法很简单：给定两幅图像，要求玩家在指定时间内寻找图像中不同的地方。洞察力与记忆力比较高的人可能会是玩这个游戏的高手，但是对于两幅不同时间点的遥感影像来说，如果仅仅凭借人的观察与记忆去对两幅影像“找茬”将是一个费时费力的工作。

  要完成“找茬”任务的自动化，特别是涉及到图像处理任务，机器学习必然是首选的方法。假设我们可以训练一个能够与人的洞察力与记忆力相媲美的机器学习模型，并且能在很短的时间内迅速找到不同之处，有了这种高段位玩家带我们“找茬”，那我们必定会达到事半功倍的效果。这样的“找茬”高手真的存在吗，答案是肯定的。在这位高手登场之前，我们先来看看它在另一个领域“人脸验证”中的应用。

孪生神经网络：一个简单神奇的架构

  孪生神经网络（Siamese Network)就是这个背后的高段位玩家，siam是现泰国的古称，中文可以翻译为暹罗。siamese的意思就是暹罗人或泰国人，但是这个单词在英文中又有“孪生”、“连体”的意思，这是为什么呢？

  十九世纪暹罗地区出生了一对连体婴儿，当时的医学技术无法将他们分开。1829年被经过的英国商人发现，进入马戏团，在世界各地表演并且取得了巨大的成功，从此暹罗双胞胎(siamese twins)成为了连体婴儿的代名词。

  1994年，Bromley,Jane,et al.发表了论文《Signature verification using a" siamese" time delay neural network》首次提出了孪生神经网络的概念：这种神经网络包含两个或多个相互独立的子网络，这种架构最初被用于进行笔迹验证(Signeture verification)，后广泛用于人脸验证(Face verification)。

  人脸验证面临的一个比较大的困难就是要解决One-Shot学习问题：假设你要开发一个人脸验证系统，这个系统要求对进入公司的人员进行判定是否有进入资格。而实际情况是数据库中每位员工的相片不超过十张，所以，如果按照传统的卷积神经网络进行分类任务往往得不到比较健壮可靠的模型。one-shot学习的任务由分类转变学习一个相似度函数，这个函数会比较两幅图片并且告诉你是否匹配。

  首先，我们将一个人的照片输入到孪生神经网络，经过卷积后得到经编码的特征。然后，我们不对这个网络的权重或偏置值进行任何的修改，将另一张照片输入网络映射到相同的特征空间并得到编码值。通过比较两个编码值的相似度来确定两张照片是否是同一个人，相似度大的可以认定为同一个人，相似度小的表示验证不通过。

像素级变化检测：对孪生神经网络的“魔改”

  对于遥感影像的变化检测来说，如果仅仅只是判断两幅图片是否不同可能无法达到我们的业务要求，大多数时候我们不仅要知道两幅影像不一样，还要知道究竟是哪里不一样，并且还要把不一样的轮廓表示出来。那我们就需要对孪生神经网络进行“魔改”，以下是经过修改后应用于建筑物变化检测的架构。

  将大同2015年与2018年的原始影像输入孪生神经网络，经过卷积神经网络的特征提取最终获得两个时间点的特征对，使用0到1之间的实数来度量特征对的“相似度”，“相似度”可以用距离来表示（欧式距离或者cosine距离），最终可以输出对于每一对同位置像素变化的“相信度“。

  对原生的架构进行了那些魔改呢，其中的奥秘就在于改进了原来的损失函数。模型本质是学习一个度量函数，这个函数会将变化的区域输出比较大的值，而变化较小的区域输出相对小的值。为了实现这样的任务，孪生神经网络使用对比损失（contrastive loss）作为损失函数。