本发明专利技术提供了基于十字交叉注意力的高分辨率遥感影像变化检测方法，属于遥感科学技术领域。包括以下步骤：采集高分辨率遥感影像变化检测数据集，将训练集高分辨率遥感影像变化检测数据集数据进行数据增强。构建变化检测模型，所述变化检测模型包括编码器、时空注意力模块和解码器；将训练集数据输入变化检测模型中编码器进行特征提取，获取相邻两时相多尺度地物特征图、，将多尺度地物特征图、输入时空注意力模块，得到特征、。将特征、通过金字塔池化模块处理，获取训练完成的变化检测模型。将测试集数据输入到训练完成的变化检测模型，获取检测结果。本发明专利技术提高了语义分割的效率，减少了计算资源的消耗。消耗。消耗。
【技术实现步骤摘要】
基于十字交叉注意力的高分辨率遥感影像变化检测方法
[0001]本专利技术涉及基于十字交叉注意力的高分辨率遥感影像变化检测方法，属于遥感科学
技术介绍
[0002]变化检测是遥感领域中的一个重要研究方向，它采用影像、图像处理方法及数理模型，结合地物特性和相应的遥感成像机理，在同一地表区域的多期遥感影像和相关地理空间数据中滤除作为干扰因素的不相干变化信息，进而找出感兴趣的变化信息。变化检测通过识别不同时期地面物体的影像变化，为城市规划和重建、环境监测、以及灾害评估等多领域提供了研究依据，具有广泛的应用场景。
[0003]随着深度学习技术的发展，基于深度学习的变化检测方法已经成为遥感影像变化检测研究热点。人们将其应用于高光谱影像的变化检测中使检测精度得到一定程度的提升。Wang等（2022)提出了一个名为Y
‑
Net的端到端密集连接网络，该网络采用孪生结构进行多类变化检测。所提出的网络使用双流DenseNet在编码阶段提取双时间变化特征，并在解码阶段引入注意力融合机制以增强对变化特征的注意力。Chen等（2021)提出了一种新的方法，即双注意全卷积孪生网络，用于高分辨率图像中的变化检测。通过双注意机制，捕获长距离依赖性以获得更多的判别特征表示，以增强模型的识别性能。但是这些模型向模型中引入了较多参数，模型的复杂度大大提升，因此模型的精度较低，并且对模型的后续部署会造成一定影响。
[0004]总体来说，现有注意力方法不能有效地突出影像差异信息，并且不能很有效的突出感兴趣的语义信息，这在一定的程度上影响了检测精度的提升。
技术实现思路
[0005]本专利技术目的是提供了基于十字交叉注意力的高分辨率遥感影像变化检测方法，提高了语义分割的效率，减少了计算资源的消耗。
[0006]本专利技术为实现上述目的，通过以下技术方案实现：步骤1：采集高分辨率遥感影像变化检测影像对和其对应的二值语义分割标签，得到高分辨率遥感影像变化检测数据集，获取同一地区两时相影像数据和地物变化标签数据。
[0007]步骤2：将高分辨率遥感影像变化检测数据集划分为训练集、验证集和测试集，对训练集数据进行数据增强。
[0008]步骤3：构建变化检测模型，所述变化检测模型包括编码器、时空注意力模块和解码器。
[0009]步骤4：将训练集数据输入变化检测模型中编码器进行特征提取，获取相邻两时相多尺度地物特征图、，所述编码器为去除最后池化层和全连接层的ESNET模型。
[0010]步骤5：将多尺度地物特征图、输入时空注意力模块，所述时空注意力模块
包括十字交叉空间注意力模块和十字交叉时间注意力模块。
[0011]先将多尺度地物特征图、分别通过十字交叉空间注意力模块获取精化空间信息的多尺度空间特征图、。
[0012]再将精化空间信息的多尺度空间特征图、分别通过十字交叉时间注意力模块聚合横纵方向上和时空方向上的像素，得到特征、。
[0013]步骤6：将特征、通过金字塔池化模块处理，再通过双线性内插将宽高拉伸至和标签相同的尺寸，得到变化地物分割图，通过最小化最终张量和标签的损失训练该模型，并获取训练完成的变化检测模型。
[0014]步骤7：将测试集数据输入到训练完成的变化检测模型，获取检测结果。
[0015]优选的，所述数据增强方式包括：随机翻转、随机旋转、随机透明、HSV转变、随机噪声、随机交换两幅影像顺序。
[0016]优选的，所述将多尺度地物特征图、分别通过十字交叉空间注意力模块获取对应的精化空间信息的多尺度空间特征图、的具体方式如下：将多尺度地物特征图通过三个1 x 1卷积层获取空间维度张量、、，其中，，是特征的通道数，表示全体实数集，表示特征的宽度，表示特征的高度。
[0017]计算空间维度张量、的相似度，将softmax函数应用于得到空间注意力权重矩阵，所述softmax函数指归一化指数函数将数字映射为0到1的数字。
[0018]所述相似度为空间维度张量、第标量值位置的相似度的集合，其中，。
[0019]其中，表示空间维度张量在每个位置上可以得到的向量，。表示第标量值的向量，所述向量表示空间维度张量对应于位置横纵方向上的向量，。
[0020]将空间维度张量和空间注意力权重矩阵进行聚合，具体公式如下：其中，是位置上的特征，是位置第个标量值的空间注意力权重矩阵，是位置第个标量值的向量，所述向量为空间维度张量对应于位置的横纵方向上的向量，，是位置的向量。
[0021]获取每个位置的特征得到特征，并将特征再次作为初始特征输入十字交叉空间注意力模块获取精化空间信息的多尺度空间特征图。
[0022]优选的，所述将精化空间信息的多尺度空间特征图、分别通过十字交叉时间
注意力模块聚合横纵方向上和时空方向上的像素，得到聚合信息更强具备更全面的特征空间表达能力的特征、的具体方式如下：将精化空间信息的多尺度空间特征图通过两个不同的1 x 1卷积层得到空间维度张量、。将精化空间信息的多尺度空间特征图通过两个不同的1 x 1卷积层得到空间维度张量、。其中，，。
[0023]计算和的相似度，将softmax函数应用于获得时间注意力矩阵。
[0024]所述相似度为空间维度张量和第标量值位置的相似度的集合，，其中，表示空间维度张量在每个位置上的向量，，表示第标量值的向量，其中，表示空间维度张量对应于位置横纵方向上的向量。
[0025]将空间维度张量、分别与空间注意力权重矩阵进行聚合，具体公式如下：，，其中，是位置上的特征，是位置第个标量值的空间注意力权重矩阵，是位置第个标量值的向量，所述向量为空间维度张量对应于位置的横纵方向上的向量，，是位置的向量。
[0026]是位置上的特征，是位置第个标量值的向量，所述向量为空间维度张量对应于位置的横纵方向上的向量，，是位置的向量。
[0027]获取每个位置的特征得到特征，获取每个位置的特征得到特征，并将特征、再次作为初始特征输入十字交叉时间注意力模块获取特征、。
[0028]对特征、简单的绝对值求差获取精化多尺度变化特征图。
[0029]优选的，所述金字塔池化模块包括3个尺度的卷积层、批标准化层、修正线性单元，将这三层相连形成ConvBNReLU模块。
[0030]对输入的精化多尺度变化特征图分别经过ConvBNReLU模块，然后采用双线性插值进行上采样，来获得金字塔模块前相同尺寸的特征图，并在通道上进行拼接。之后再经过一个ConvBNReLU模块获得形状为（N，2，W，H）的特征，经过argmax函数后输出变化检测二值分割图。
[0031]有益效果本专利技术的优点在于：1、在双时相的遥感影像检测过程中，引入一种十字交叉时空注意力机制，并对模型的结构进行优化，本专利技术构建时空注意力模块时，首先分解时空注意力，采用串联或并行两种结构连接两种注意力模型，这可以大大降低显存与计算资源消耗。其次使用十字交叉原理设计两种时空注意力模块本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于十字交叉注意力的高分辨率遥感影像变化检测方法，其特征在于，包括以下步骤：步骤1：采集高分辨率遥感影像变化检测影像对和其对应的二值语义分割标签，得到高分辨率遥感影像变化检测数据集，获取同一地区两时相影像数据和地物变化标签数据；步骤2：将高分辨率遥感影像变化检测数据集划分为训练集、验证集和测试集，对训练集数据进行数据增强；步骤3：构建变化检测模型，所述变化检测模型包括编码器、时空注意力模块和解码器；步骤4：将训练集数据输入变化检测模型中编码器进行特征提取，获取相邻两时相多尺度地物特征图、，所述编码器为去除最后池化层和全连接层的ESNET模型；步骤5：将多尺度地物特征图、输入时空注意力模块，所述时空注意力模块包括十字交叉空间注意力模块和十字交叉时间注意力模块；先将多尺度地物特征图、分别通过十字交叉空间注意力模块获取精化空间信息的多尺度空间特征图、；再将精化空间信息的多尺度空间特征图、分别通过十字交叉时间注意力模块聚合横纵方向上和时空方向上的像素，得到特征、；步骤6：将特征、通过金字塔池化模块处理，再通过双线性内插将宽高拉伸至和标签相同的尺寸，得到变化地物分割图，通过最小化最终张量和标签的损失训练该模型，并获取训练完成的变化检测模型；步骤7：将测试集数据输入到训练完成的变化检测模型，获取检测结果。2.根据权利要求1所述的基于十字交叉注意力的高分辨率遥感影像变化检测方法，其特征在于，所述数据增强方式包括：随机翻转、随机旋转、随机透明、HSV转变、随机噪声、随机交换两幅影像顺序。3.根据权利要求1所述的基于十字交叉注意力的高分辨率遥感影像变化检测方法，其特征在于，所述将多尺度地物特征图、分别通过十字交叉空间注意力模块获取对应的精化空间信息的多尺度空间特征图、的具体方式如下：将多尺度地物特征图通过三个1 x 1卷积层获取空间维度张量、、，其中，，是特征的通道数，表示全体实数集，表示特征的宽度，表示特征的高度；计算空间维度张量、的相似度，将softmax函数应用于得到空间注意力权重矩阵，所述softmax函数指归一化指数函数将数字映射为0到1的数字；所述相似度为空间维度张量、第标量值位置的相似度的集合，其中，；其中，表示空间维度张量在每个位置上可以得到的向量，；表示第标量值的向量，所述向量表示空间维度张量对应于位置横纵方向上
的向量，；将空间维度张量和空间注意力权重矩阵进行聚合，具体公式如下：其中，是位置上的特征，是位置第个标量值的空间注意力权重矩阵，是位置第个标量值的向量，所述向量为空间维度张量对...
【专利技术属性】
技术研发人员：邢华桥，孙雨生，项俊武，王海航，赵欣，仇培元，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。