【技术实现步骤摘要】
本专利技术涉及变化检测，尤其涉及一种基于孪生多尺度交叉注意的遥感影像变化检测方法。
技术介绍
1、变化检测是指通过在不同时间观察同一个地理位置来识别其状态差异的过程，近些年来，随着深度学习技术的高速发展以及深度学习在图像处理领域出色的特征提取能力，深度学习被广泛应用于遥感影像变化检测领域。目前基于深度学习的遥感影像变化检测方法从网络结构上大体上可以分为两类，一类方法将两个不同时相的图像融合后将其输入到一个单分支的全卷积网络中，通过最大化边界的方式来检测变化，另一类方法采用双分支的孪生网络，首先对两个不同时相的图像分别提取特征，然后通过对提取出的特征对之间的距离进行度量来检测变化区域。
2、虽然基于深度学习的方法取得了不错的效果，但是目前仍然存在一些问题阻碍网络性能的提升。变化检测网络模型的特征提取能力的强弱很大程度上决定了变化检测结果的好坏，但是通常在特征提取的过程种连续下采样的操作会导致丢失准确的空间位置等细节信息，不能有效定位微小目标和捕获变化目标的细节特征，导致漏检和变化区域边缘粗糙等。此外，使用孪生网络对两个时相的图像分别进行特征提取还忽略了两个图像之间的交互信息，影响检测效果。目前，变化检测目前已被广泛用于自然灾害检测、城市规划与土地利用、生态环境保护、国防安全等领域，因此，实现变化区域精准定位和变化区域边缘清晰的遥感影像变化检测方法显得至关重要。
3、虽然基于深度学习的方法取得了一定的进展，然而多数现有研究方法仍然存在以下问题：
4、第一，变化检测网络模型的特征提取能力很大程度上决
5、第二，使用孪生网络对两个时相的图像分别进行特征提取还忽略了两个图像之间的交互信息和时空依赖关系，使得检测结果存在伪变化，检测精度不高。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于孪生多尺度交叉注意的遥感影像变化检测方法，更好的解决连续下采样过程中丢失准确的空间位置信息的问题；
2、一种基于孪生多尺度交叉注意的遥感影像变化检测方法，包括以下步骤：
3、步骤1：获取变化检测数据集，将变化检测数据集划分为训练集、验证集和测试集；
4、步骤1.1：获取变化检测数据集；所述变化检测数据集中包括若干种类型建筑物图片，建筑物图片为双时相遥感影像，具体包括建筑物的新建，建筑物的消失和无变化三种情况；
5、步骤1.2：将变化检测数据集中的图片按照设定尺寸进行裁剪；
6、步骤1.3：将裁剪后的图像按照设定比例划分为训练集、测试集和验证集；
7、步骤2：构建基于孪生多尺度交叉注意的遥感影像变化检测模型；
8、所述遥感影像变化检测模型包括多尺度特征提取模块、交叉注意力模块和度量模块；
9、所述多尺度特征提取模块使用去除了最后一个平均池化和全连接层的resnet-18网络，作为特征提取器，并将其扩展到两个共享权重的孪生结构以接收双时相遥感影像的输入；首先采用步长为1的7×7卷积层提取浅层特征，然后采用bn层和relu激活函数，然后采用步长为2的最大池化层，接着利用4个残差块提取图像中的信息获取四个不同尺度的特征，每个残差块包含两个3×3卷积层，一个bn层和一个relu激活函数；在输入到relu激活函数之前，该特征通过与原始输入特征逐像素相加进行特征融合；每个残差块的输出特征的大小分别为输入图像的1/2、1/4、1/8和1/16，它们的通道分别为64、128、256和512。
10、此外，在特征提取器中集成了一个包含4个cbam的堆叠注意力模块：对每个残差块的输出特征应用一个cbam块，然后将这些特征均匀地调整到原始输入图像大小的一半，按通道方向拼接四个相同尺寸的特征图，并通过一个1x1卷积层调整通道数量，从而获得更具辨别力的包含多尺度信息的特征。每个cbam块包含一个通道注意模块用来捕获通道关系和一个空间注意模块用来捕获空间语义信息；具体过程包括：
11、对于给定大小为c×h×w的特征f，首先对输入特征分别应用平均池化层和最大池化层，获得通道注意模块中大小为c×1×1的两个向量，然后使用两个1×1卷积层的权重共享多层感知模块mlp学习并赋予每个通道权重，将这两个结果相加，并利用sigmoid激活函数σ得到通道注意力特征，表示为：
12、mc(f)＝σ(mlp(avg(f))+mlp(max(f)))；
13、其中mlp()为多层感知机，avg()为平均池化，max()为最大池化；通道细化特征f′是通道注意力特征mc(f)与f相乘的结果，表示为：
14、
15、然后将通道注意力模块大小为c×h×w的输出特征f′作为空间注意模块的输入特征，首先利用平均池化层和最大池化层将f′压缩成两个大小为1×h×w的矩阵，然后按通道维度拼接后输入到3×3卷积层，最后通过一个sigmoid激活函数得到空间细化矩阵，表示为：
16、ms(f′)＝σ(f3×3(avg(f′)；max(f′)))
17、f3×3表示3x3卷积层，因此，通过cbam细化的特征f”通过以下公式得到：
18、
19、所述交叉注意力模块用于对多尺度特征提取模块提取出的图像特征f”使用交叉注意力进一步细化，设输入的特征是fi和fj，首先产生查询qi和qj，键ki和kj，以及值vi和vj，然后将它们传递到注意层；通过查询qi与键kj之间的点积生成注意权值后，通过值vj与注意权值的乘积检索注意信息；其中注意层表示为：
20、
21、当得到注意向量时，将其与输入特征fi连接起来，得到一个新的特征fi,j如下：
22、fi,j＝fi+a(qi,ki,vi)+a(qi,kj,vj)
23、使用同样的方式计算新的特征fj,i；最后，通过3×3卷积和归一化计算输出向量；
24、所述度量模块通过双线性插值操作将特征图尺寸扩展到与原始输入图像大小，在嵌入空间中计算特征张量对中每个位置点的欧式距离，利再用对比损失函数拉近未发生变化的特征张量对之间的距离，拉远发生变化的特征张量对之间的距离，最后通过阈值分割得到变化检测结果图；
25、步骤3：对基于孪生多尺度交叉注意的遥感影像变化检测模型进行训练。
26、步骤3.1：使用对比损失函数计算预测值和真实标签中间的误差：
27、
28、
29、其中，dw(x1,x2)代表输入特征x1与输入特征x2之间的欧氏距离，w为网络权重，p代表特征的维度，y代表预测值，y＝1代表检测的图像对应位置发生了变化，y＝0表示没有发生变化，即没有发生建筑物的新增和消失，m为设定的本文档来自技高网...
【技术保护点】
1.一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述步骤1具体包括以下步骤：
3.根据权利要求1所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述遥感影像变化检测模型包括多尺度特征提取模块、交叉注意力模块和度量模块；
4.根据权利要求3所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述交叉注意力模块用于对多尺度特征提取模块提取出的图像特征F”使用交叉注意力进一步细化，设输入的特征是Fi和Fj，首先产生查询Qi和Qj，键Ki和Kj，以及值Vi和Vj，然后将它们传递到注意层；通过查询Qi与键Kj之间的点积生成注意权值后，通过值Vj与注意权值的乘积检索注意信息；其中注意层表示为：
5.根据权利要求3所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述度量模块通过双线性插值操作将特征图尺寸扩展到与原始输入图像大小，在嵌入空间中计算特征张量对中每个位置点的欧式距
6.根据权利要求1所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述步骤3具体包括以下步骤：
7.根据权利要求1所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述步骤4具体为：将待检测的变化前遥感影像和变化后遥感影像分别输入到遥感影像变化检测模型的两个分支，经过遥感影像变化检测模型预测得到最终的变化图。
...【技术特征摘要】
1.一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述步骤1具体包括以下步骤：
3.根据权利要求1所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述遥感影像变化检测模型包括多尺度特征提取模块、交叉注意力模块和度量模块；
4.根据权利要求3所述的一种基于孪生多尺度交叉注意的遥感影像变化检测方法，其特征在于，所述交叉注意力模块用于对多尺度特征提取模块提取出的图像特征f”使用交叉注意力进一步细化，设输入的特征是fi和fj，首先产生查询qi和qj，键ki和kj，以及值vi和vj，然后将它们传递到注意层；通过查询qi与键kj之间的点积生成注意权值后，通过值vj与注意权值的乘积检...
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。