В последние годы глубокое обучение демонстрирует огромный потенциал в задачах обнаружения изменений на многовременных радиолокационных снимках. Достаточное количество обучающих образцов является важным условием для эффективного извлечения признаков изменений в радиолокационных изображениях с помощью технологий глубокого обучения. Однако существующие ограниченные публично доступные размеченные наборы данных не могут удовлетворить потребности в обнаружении различных типов изменений в практических приложениях. Поскольку изменения земной поверхности обычно занимают лишь небольшую часть области, доступные образцы изменений часто бывают крайне ограничены и сильно несбалансированы по сравнению с образцами без изменений. Поэтому задача эффективного обучения сетей обнаружения изменений при небольшом количестве и несбалансированности образцов является актуальной проблемой. По сравнению с образцами обнаружения изменений получения образцов однофазной классификации земного покрова значительно проще; при поддержке классификационных образцов хорошо обученная сеть классификации земного покрова может предоставить важные априорные признаки для обнаружения изменений. Исходя из этого, в данной статье предлагается сиамская сеть обнаружения изменений Nested-UNet на основе пространства апостериорных вероятностей классификации SNU-PS (Siamese Nested-UNet for change detection in Posterior Probability Space), которая снижает зависимость от образцов обнаружения изменений за счёт комбинирования информации о апостериорных вероятностях классификации земного покрова двух временных фаз. Сначала данный метод использует образцы классификации земного покрова для обучения сети высокого разрешения HRNet (High-Resolution Network) и получения карт апостериорных вероятностей классификации объектов на снимках двух временных фаз; затем карты апостериорных вероятностей подаются в сиамскую сеть обнаружения изменений SNU (Siamese Nested-UNet for change detection) для получения результатов обнаружения изменений. Результаты тестирования на наборах данных SpaceNet7 и HRSCD показывают, что SNU-PS может эффективно использовать семантическую информацию о земном покрове и сохранять стабильную точность обнаружения изменений при разном количестве обучающих образцов; по сравнению с методами PCC (Post Classification Comparison), CVAPS (Change-vector analysis in posterior probability space), а также различными сетями обнаружения изменений (SNU, FC-EF, BIT, PCFN) демонстрирует более высокую и стабильную точность обнаружения изменений, особенно при недостатке образцов, где её преимущества более заметны. Таким образом, предлагаемая SNU-PS обладает лучшими перспективами применения в задачах обнаружения изменений при небольшом количестве образцов.

земной покров; обнаружение изменений; глубокое обучение; малое количество образцов; несбалансированность образцов; сеть семантической сегментации; сиамская сеть; апостериорная вероятность