买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：石家庄铁道大学

摘要：本发明公开了一种使用多层级差异特征自适应融合的遥感图像变化检测方法，所述方法包括以下步骤：本发明中使用膨胀邻域注意力的层次主干网络用于细化图像的边缘特征提取，使用膨胀邻域注意力可以有效扩大感受野从而保证全局注意力的计算从而捕获传统注意力主干网络不能捕获的更大物体；本发明通过差异特征增强模块来提升模型对伪变化区域和真正变化区域的鉴别能力，解决现有模型对双时相的差异特征提取能力不足的问题；本发明中通过使用一种多层级差异特征自适应融合模块使模型能够自主选择有最有价值的差异特征生成变化图；本发明在三个知名公开数据集上与知名的变化检测方法相比达到了最高水准。

主权项：1.一种基于多层级差异特征融合的遥感图像变化检测方法，其特征在于，包括如下步骤：S1，将变化检测原数据集图片按照指定大小裁切成不重叠的子图，并划分为训练集、验证集、测试集；在输入进网络前进行数据增强；所述S1具体如下：S1.1，将数据集的原始图像裁切成256x256大小的图片；S1.2，将这些图片按照不同的比例划分为训练集，验证集，测试集；S1.3，将这些图片进行随机翻转，裁切操作；S1.4，将这些图片进行归一化操作；S2，将输入分辨率大小为H×W的图像进行初始下采样操作将输入的图像大小变成通道数从3变成128；将初始下采样升维得到的特征图进行层归一化后进行空洞邻域注意力运算进行遥感图像特征的细化和提取，在窗口大小为7且空洞率为R的大小下进行注意力计算，R随着层级的变化而变化，在每个固定大小的窗口下选取中心像素，通过与邻域内的像素进行注意力计算来产生相似度特征图，再通过将此窗口滑动至下一区域进行注意力计算；将经过空洞邻域注意力运算后得到的特征图与初始下采样后得到的特征图进行相加后依次进行层归一化和多层感知机运算；将该层级提取完成后的特征传入主干网络的下一层级直至末尾，上述操作用公式表示如下：DsInitalXi＝InitalDownsamplerXi，DsLevelXi＝LevelDownsamplerXi，DiNATstage1Xi＝Xi+DiNALayerNormXi，DiNATstage2Xi＝Xi+MLPLayerNormXi， 其中，Xi代表第i层级的特征，InitalDownsamplerXi和LevelDownsamplerXi分别代表四倍和二倍下采样；DiNA代表空洞邻域注意力，MLP代表多层感知机；S3，将主干网络在不同层级提取出的双时相特征分别输入到其分支对应的多层感知器进行初次解码后再输入进不同层级对应的增强差异特征提取模块来获取多层级差异特征；所述S3具体包括S31-S34：S31，特征图1和特征图2分别为来自于孪生主干网络提取的双时相特征图；首先令Di和Ci分别表示对特征图在不同层级上的通道维度相连和对这两个特征图逐元素相减的绝对值，如下式所述：Ci＝Concat[featuremap1,featuremap2]，Di＝|featuremap1-featuremap2|，其中Concat[.]表示通道维度相连，|.|表示取绝对值，i＝1、2、3、4；S32,对进行相连操作的分支使用卷积核大小为3x3的卷积操作；然后将这两个分支同时经过两个非对称卷积块，即ACB，用于差异特征边缘细化提取；不同尺度的ACB操作表示为:ACBCi＝Conv1x3Ci+Conv3x1Ci+Conv3x3Ci，ACBDi＝Conv1x3Di+Conv3x1Di+Conv3x3Di，S33，在增强差异特征提取模块的两条分支上分别对非对称卷积添加残差连接，以防止训练的过程中出现梯度消失；再对这两条分支进行相加后得到输出ACBout：ACBout＝Ci+Di+ACBCi+ACBDi，S34,对ACBout进行如下运算得到输出EDFMout:EDFMout＝Conv3x3SigmoidMLPGobalAvgPoolACBout*ACBout；S4，将不同层级的差异特征上采样到同一大小后输入多层级差异特征自适应融合模块进行多层级差异特征融合；S5，将融合之后的差异特征输入进检测头，来进行像素级的遥感图像变化检测并生成检测完成后的变化图，迭代训练保存最好结果的模型参数；S6，将测试集的双时相遥感图片输入进遥感图像变化检测模型来得到对变化地物的预测。

全文数据：

权利要求：

百度查询： 石家庄铁道大学 一种使用多层级差异特征自适应融合的遥感图像变化检测方法