一种基于稀疏变化自注意力机制的遥感影像变化检测方法技术

本发明专利技术涉及一种基于稀疏变化自注意力机制的遥感影像变化检测方法，用于计算、内存高效的高精度的统一变化检测。本发明专利技术结合深度学习原理、概率图理论，提出了统一的概率变化建模理论框架，对变化过程中随机变量的联合分布进行条件分解，根据不同的先验假设，可分解得到不同的因子，这些因子即深度变化检测模型架构的理论表示，进一步采用所提出的稀疏变化自注意力模块参数化这些分解因子，从而得到具体的任务自适应、计算高效的深度变化检测模型架构。本发明专利技术能够解决现有架构设计缺乏理论依据、计算复杂度高的问题，可以实现各类变化检测任务的统一处理与大规模遥感影像对的快速变化检测。变化检测。变化检测。

【技术实现步骤摘要】
一种基于稀疏变化自注意力机制的遥感影像变化检测方法


[0001]本专利技术属于高分辨率遥感影像识别领域，特别涉及一种基于稀疏变化自注意力机制的遥感影像变化检测方法。

技术介绍

[0002]随着IKONOS、Landsat、中巴资源卫星、吉林一号、高景一号、高分系列等国内外高分辨率遥感卫星的发射以及传感器技术的不断发展，人们已经能够获取大量高分辨率遥感影像。相比中低分辨率的遥感影像，高分辨率遥感影像具有丰富空间细节、连续光谱、动态变化信息，其地物的几何结构更加明显、位置布局更加清晰、纹理和尺寸等信息更加精细，从而能够清晰地表达地物目标的特征分布和时空关联，使得地物的动态精准解译成为可能。
[0003]遥感变化检测作为一种基础的地球视觉技术被广泛应用于城市发展监测、灾害损毁评估、洪涝监测等现实任务，大力推动可持续发展目标的进程。遥感变化检测旨在利用双时相遥感影像对，找到精确的变化区域；其根据感兴趣变化，可划分为二类变化检测与语义变化检测(其中包括一对多与多对多，两种变化模式的案例)。二类变化检测仅关注变化的发生，语义变化检测还额外关注变化的方向信息。传统基于手工特征结合分类器的模型驱动变化检测范式，其性能极其依赖于手工特征算子对当前场景的适配程度，如尺度不变特征变换算子对多尺度变化具有良好的描述能力但对于具有辐射差异变化区域难以充分描述。面向复杂的对地观测场景，影像对间的局部几何偏移、全局
‑
局部辐射差异、变化区域的多尺度问题通常同时存在，这使得传统手工特征算子难以处理。
[0004]深度学习作为一种自动的层次化特征表示学习框架，以数据驱动变化检测范式，革新了遥感变化检测领域；其通过海量多样的变化训练样本，学习鲁棒的时空特征表示，同时克服上述三个难题。卷积神经网络及其结合注意力机制的变体，如孪生全卷积神经网络、孪生自注意力变换网络，相比传统方法，这些深度学习方法能自适应建模长距离变化上下文信息从而缓解局部几何偏移问题，提取辐射无关的变化判别性特征克服辐射差异问题，金字塔层次化特征克服变化区域的尺度差异问题，因此能实现低虚警、高召回的鲁棒变化检测，大幅度提升变化检测系统的智能性，减少人工勾绘变化图斑的成本。
[0005]尽管借助基于自注意力机制的深度学习方法已极大程度提升了高分辨率影像变化检测的性能，但其高昂的计算与内存开销(与图像大小成二次方的复杂度)使得大规模城市级、国家级地表监测应用十分困难。同时人工设计的变化检测网络结构通常只适用于一种变化检测任务，即面对二类、语义变化检测，需单独给出针对性的网络设计，对设计人员提出了较高的领域知识、分析能力、模型设计经验等极高的专业性要求。
[0006]其本质问题在于，深度变化检测架构设计缺乏理论支撑、通用自注意力算子缺乏领域知识的融合。
[0007]为了解决上述问题，亟需一个能统一建模变化检测各类任务的理论框架，从而进行数学推导给出深度变化检测架构的设计准则；进一步，结合遥感变化的领域知识，即变化
稀疏性与变化的局部相关性，设计领域专用的计算、内存高效的自注意力算子，对上述理论深度变化检测架构进行参数化，克服当前变化检测领域“无理论”、“高能耗”的难题。

技术实现思路

[0008]本专利技术的目的在于提出一种基于稀疏变化自注意力机制的高分辨率遥感影像统一变化检测方法。
[0009]提出的基于稀疏变化自注意力机制的高分辨率遥感影像统一变化检测方法首先建模概率变化过程，对变化过程中随机变量的联合分布进行条件分解，根据不同的先验假设，可分解得到不同的因子，这些因子即深度变化检测模型架构的理论表示；进一步采用所提出的稀疏变化自注意力模块参数化这些分解因子，从而得到具体的任务自适应、计算高效的深度变化检测模型架构，从而克服架构设计缺乏理论依据、计算复杂度高的问题。
[0010]本专利技术提供基于稀疏变化自注意力机制的高分辨率遥感影像统一变化检测方法，实现步骤如下：
[0011]步骤1，构建统一的概率变化模型框架，根据不同变化检测任务的假设条件，在框架内对变量的联合分布进行条件分解，求出子任务因子；
[0012]步骤2，构建稀疏变化自注意力模块，并利用其参数化步骤1获得的子任务因子，求得具体的深度变化检测网络架构；
[0013]步骤3，构建高分辨率遥感影像变化检测数据集，将其拆分为训练集与测试集，并对训练集进行几何、辐射等数据增强运算并进行归一化；
[0014]步骤4，构建变化检测统一优化目标函数，利用步骤3的获得的变化检测数据集的训练集对步骤2获得的深度变化检测网络架构进行训练，直至达到收敛条件；
[0015]步骤5，利用步骤4的获得的深度变化检测网络架构与对应参数，对测试集进行预测，根据对应的概率变化模型求解出变化概率图，即获得变化区域结果。
[0016]进一步的，步骤1具体实现包括如下子步骤：
[0017]步骤1.1，建立概率变化模型，考虑变化是t时刻状态S
t
到t+1时刻状态S
t+1
的转移过程，同时每个状态的取值与其对应的影像I
t
直接相关，从而时刻t到t+1变化过程的联合分布为P(S
t
,S
t+1
,I
t
,I
t+1
)，根据状态与影像间的因果关系，可将该联合分布分解为若干因子：
[0018]P(S
t
,S
t+1
,I
t
,I
t+1
)＝P(I
t
)P(I
t+1
|I
t
)P(S
t
|I
t
)P(S
t+1
|S
t
,I
t+1
)
[0019]其中P(I
t
),P(I
t+1
|I
t
)分别表示影像I
t
与I
t+1
的数据分布，其以影像I
t
为条件的数据分布P(I
t+1
|I
t
)表示影像I
t+1
是在与影像I
t
所覆盖的地理位置采样得出；P(S
t
|I
t
),P(S
t+1
|S
t
,I
t+1
)分别表示两个时刻的状态分布与其对应影像的依赖关系,如P(S
t+1
|S
t
,I
t+1
)表示状态S
t+1
同时依赖状态S
t
与影像I
t+1
。
[0020]步骤1.2，基于概率变化模型，导出二类变化检测理论架构；由于二类变化检测是状态无关的变化检测，即仅关注变化的发生，对应概率变化模型中的状态转移；基于此客观假设，可对概率变化模型中的状态相关的因子P(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏变化自注意力机制的遥感影像变化检测方法，其特征在于，包括以下步骤：步骤1，构建统一的概率变化模型框架，根据不同变化检测任务的假设条件，在框架内对变量的联合分布进行条件分解，求出子任务因子；步骤2，构建稀疏变化自注意力模块，并利用其参数化步骤1获得的子任务因子，求得具体的深度变化检测网络架构；步骤3，构建高分辨率遥感影像变化检测数据集，将其拆分为训练集与测试集，并对训练集进行数据增强运算并进行归一化；步骤4，构建变化检测统一优化目标函数，利用步骤3的获得的变化检测数据集的训练集对步骤2获得的深度变化检测网络架构进行训练，直至达到收敛条件；步骤5，利用步骤4的获得的深度变化检测网络架构与对应参数，对测试集进行预测，根据对应的概率变化模型求解出变化概率图，即获得变化区域结果。2.根据权利要求1所述的一种基于稀疏变化自注意力机制的遥感影像变化检测方法，其特征在于：步骤1的具体实现包括如下子步骤，步骤1.1，建立概率变化模型，考虑变化是t时刻状态S
t
到t+1时刻状态S
t+1
的转移过程，同时每个状态的取值与其对应的影像I
t
直接相关，从而时刻t到t+1变化过程的联合分布为P(S
t
,S
t+1
,I
t
,I
t+1
)，根据状态与影像间的因果关系，可将该联合分布分解为若干因子：P(S
t
,S
t+1
,I
t
,I
t+1
)＝P(I
t
)P(I
t+1
|I
t
)P(S
t
|I
t
)P(S
t+1
|S
t
,I
t+1
)其中P(I
t
),P(I
t+1
|I
t
)分别表示影像I
t
与I
t+1
的数据分布，其以影像I
t
为条件的数据分布P(I
t+1
|I
t
)表示影像I
t+1
是在与影像I
t
所覆盖的地理位置采样得出；P(S
t
|I
t
),P(S
t+1
|S
t
,I
t+1
)分别表示两个时刻的状态分布与其对应影像的依赖关系,其中P(S
t+1
|S
t
,I
t+1
)表示状态S
t+1
同时依赖状态S
t
与影像I
t+1
；步骤1.2，基于概率变化模型，导出二类变化检测理论架构；由于二类变化检测是状态无关的变化检测，即仅关注变化的发生，对应概率变化模型中的状态转移；基于此客观假设，可对概率变化模型中的状态相关的因子P(S
t
|I
t
),P(S
t+1
|S
t
,I
t+1
)进行合并得到P(S
t+1
,S
t
|I
t+1
,I
t
)，由于二类变化与状态具体取值无关，因子P(S
t+1
,S
t
|I
t+1
,I
t
)用P(C|I
t+1
,I
t
)重新表示，C为表示二类变化的随机变量；因子P(C|I
t+1
,I
t
)即为二类变化检测模型的理论架构；步骤1.3，基于概率变化模型，导出语义变化检测理论架构；对于语义变化检测，需要考虑状态的具体取值，利用状态
‑
变化条件无关假设，即S
t
⊥
S
t+1
|C，可对因子P(S
t
|I
t
)P(S
t+1
|S
t
,I
t+1
)进行合并后重分解：P(S
t
|I
t
)P(S
t+1
|S
t
,I
t+1
)＝P(S
t+1
,S
t
|I
t+1
,I
t
)＝P(S
t+1
|C,I
t+1
)P(S
t
|C,I
t
)P(C|I
t+1
,I
t
)其中子任务因子P(S

【专利技术属性】
技术研发人员：郑卓，钟燕飞，马爱龙，张良培，
申请(专利权)人：武汉大学，
类型：发明
国别省市：