一种面向广域城市场景下的深度学习变化检测方法技术

本发明专利技术提出一种面向广域城市场景下的深度学习变化检测方法，通过结合自注意力机制和卷积融合模块(SFCM)以及细化残差网络(RRM)，搭建出针对遥感影像的深度学习网络框架，实现了复杂场景下多时相遥感影像的特征提取。聚焦于变化目标，自动生成准确、精细的变化结果图。旨在解决传统人工目视解译处理方式效率较低的问题。对于地表覆盖变化检测、国土资源保护与分析、灾害预警等应用，起到了有力的技术支撑。具体内容包括：影像编码、特征自注意力机制与卷积融合的特征提取、特征解码与变化图生成。通过将遥感影像数据输入所搭建的深度学习网络进行有监督学习，最终完成网络参数的学习并实现变化图的自动生成，以达到地表覆盖变化检测的目的。检测的目的。检测的目的。

【技术实现步骤摘要】
一种面向广域城市场景下的深度学习变化检测方法


[0001]本专利技术属于遥感影像地表变化检测领域，具体涉及一种面向广域城市场景下的深度学习变化检测方法。

技术介绍

[0002]随着经济和科技的发展，中国的城市化进程实现了持续大幅提升。城市化进程持续加快的主要特征之一是城市人口的增加导致城市土地类型和规模的迅速扩大。因此，及时有效地检测城市土地覆盖变化具有诸多实际应用价值，例如地理条件的动态检测、城市发展规划和城市扩张趋势分析等。在这种情况下，基于多时空遥感影像的变化检测技术已被应用于定量或定性地获取土地利用和土地覆盖变化信息。
[0003]现代卫星技术、航空航天技术的长足发展使得遥感卫星对地观测周期越来越短、影像分辨率越来越高，对地观测能力越来越强。使得利用高分辨率遥感影像实现对地表变化检测成为一种便捷、高效、准确的技术手段。高分辨率遥感影像地表变化检测是一种通过对同一区域不同时相的遥感影像进行对比分析并提取出变化区域的技术手段，目前已经被广泛用于自然灾害预警、耕地保护检测、土地利用动态分析、国土资源保护与检测、社会发展分析等各个领域。
[0004]在实际生产中，大量的影像数据仍然依靠人工目视解译处理，这种人工作业的模式已经越来越无法适应当前大尺度、海量影像地表覆盖分类处理的时效要求，处理精度也受到人工经验制约而且处理效率较低。
[0005]深度学习作为影像处理领域的重要技术手段，能够无需人为设计规则自动提取地表覆盖分类特征，完成影像的地表覆盖变化检测任务。现有的深度学习方法由于面向的数据和场景不同，在网络框架设计和训练的过程中，存在各种差异化设定，直接将已有方法用于广域城市场景的变化目标检测任务，精度难以达到期望。

技术实现思路

[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种面向广域城市场景下的深度学习变化检测方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]本专利技术提供了一种面向广域城市场景下的深度学习变化检测方法，包括：
[0008]对同一区域下两个不同时态的遥感影像进行叠加得到待检测遥感影像；
[0009]将所述待检测遥感影像输入至深度学习变化检测模型中端对端的输出变化检测结果图；
[0010]其中，所述深度学习变化检测模型包括依次连接的局部
‑
全局金字塔编码器、自注意力机制和卷积融合模块、局部
‑
全局金字塔解码器、残差细化模块和分类器；
[0011]其中，所述局部
‑
全局金字塔编码器用于对所述待检测遥感影像进行特征提取，得到具有变化信息的第一特征图；所述自注意力机制和卷积融合模块用于对所述第一特征图分别进行卷积路径特征提取处理和自注意力路径特征提取处理，得到对应的卷积特征图和
注意力特征图，并根据所述卷积特征图和所述注意力特征图得到第二特征图；所述局部
‑
全局金字塔解码器用于对所述第二特征图进行变化信息收集整合处理，得到变化特征图；所述残差细化模块对所述变化特征图进行细化处理，得到细化后的变化特征图；最后将细化后的变化特征图输入分类器得到基于像素的二值分类的变化检测结果图。
[0012]在本专利技术的一个实施例中，所述局部
‑
全局金字塔编码器为U
‑
Net编码器，包括依次连接的若干下采样单元，所述下采样单元利用两个3
×
3卷积层和最大池化实现下采样。
[0013]在本专利技术的一个实施例中，所述自注意力机制和卷积融合模块包括尺寸转换单元，卷积路径单元、注意力路径单元和特征融合单元，其中，
[0014]所述尺寸变换单元对所述第一特征图进行卷积操作后执行尺寸转换操作，将所述第一特征图转化为具有相同尺寸的三个不同的特征图F
Q
、特征图F
K
和特征图F
V
，
[0015][0016][0017][0018]式中，表示卷积核为1
×
1的卷积操作，F
input
表示第一特征图，Reshape表示将进行1
×
1的卷积操作后的特征图从C
output
×
H
×
W的大小转成Head
×
C
output
/Head
×
H
×
W的大小，Head表示自注意力机制和卷积融合模块中多头部自注意力机制的头部数量，C
output
表示卷积输出通道数，H表示特征图高度，W表示特征图宽度；
[0019]所述卷积路径单元对所述特征图F
Q
、所述特征图F
K
和所述特征图F
V
进行特征串联和1
×
1的卷积操作，然后利用多群卷积层对特征图进行可学习位移操作得到卷积特征图，所述卷积路径单元的输出计算公式如下：
[0020][0021]式中，F
conv
表示卷积特征图，CAT表示特征串联，表示一个1
×
1卷积层，shift_operation表示卷积核为3的多群卷积层；
[0022]所述注意力路径单元对所述特征图F
Q
、所述特征图F
K
和所述特征图F
V
分别利用多头部自注意力机制进行特征提取处理，得到注意力特征图，所述注意力路径单元的输出计算公式如下：
[0023]F
att
＝self_attention(F
Q
,F
K
,F
V
)；
[0024]式中，F
att
表示注意力特征图，self_attention表示多头部自注意力机制；
[0025]所述特征融合单元用于对所述卷积特征图和所述注意力特征图进行特征融合，得到第二特征图，所述特征融合单元的输出计算公式如下：
[0026]F0＝α*F
conv
+β*F
att
；
[0027]其中，F0表示第二特征图，α表示卷积路径的可学习调整参数，β表示注意力路径的可学习调整参数。
[0028]在本专利技术的一个实施例中，所述局部
‑
全局金字塔解码器为基于U
‑
Net的局部
‑
全
局特征解码器，包括多个解码器单元，所述解码器单元包括依次连接的若干卷积和上采样单元，每个解码器单元后连接通道注意力模块，通过所述局部
‑
全局金字塔解码器得到变化特征图F0'；
[0029]其中，所述通道注意力模块的计算过程如下：
[0030][0031]式中，F'表示通道注意力模块输出特征，AW表示特征通道向量的注意力权重，F表示每个通道注意力模块的输入特征，表示sigmoid函数运算，f
v
表示特征通道向量，表示所有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向广域城市场景下的深度学习变化检测方法，其特征在于，包括：对同一区域下两个不同时态的遥感影像进行叠加得到待检测遥感影像；将所述待检测遥感影像输入至深度学习变化检测模型中端对端的输出变化检测结果图；其中，所述深度学习变化检测模型包括依次连接的局部
‑
全局金字塔编码器、自注意力机制和卷积融合模块、局部
‑
全局金字塔解码器、残差细化模块和分类器；其中，所述局部
‑
全局金字塔编码器用于对所述待检测遥感影像进行特征提取，得到具有变化信息的第一特征图；所述自注意力机制和卷积融合模块用于对所述第一特征图分别进行卷积路径特征提取处理和自注意力路径特征提取处理，得到对应的卷积特征图和注意力特征图，并根据所述卷积特征图和所述注意力特征图得到第二特征图；所述局部
‑
全局金字塔解码器用于对所述第二特征图进行变化信息收集整合处理，得到变化特征图；所述残差细化模块对所述变化特征图进行细化处理，得到细化后的变化特征图；最后将细化后的变化特征图输入分类器得到基于像素的二值分类的变化检测结果图。2.根据权利要求1所述的面向广域城市场景下的深度学习变化检测方法，其特征在于，所述局部
‑
全局金字塔编码器为U
‑
Net编码器，包括依次连接的若干下采样单元，所述下采样单元利用两个3
×
3卷积层和最大池化实现下采样。3.根据权利要求1所述的面向广域城市场景下的深度学习变化检测方法，其特征在于，所述自注意力机制和卷积融合模块包括尺寸转换单元，卷积路径单元、注意力路径单元和特征融合单元，其中，所述尺寸变换单元对所述第一特征图进行卷积操作后执行尺寸转换操作，将所述第一特征图转化为具有相同尺寸的三个不同的特征图F
Q
、特征图F
K
和特征图F
V
，，，式中，表示卷积核为1
×
1的卷积操作，F
input
表示第一特征图，Reshape表示将进行1
×
1的卷积操作后的特征图从C
output
×
H
×
W的大小转成Head
×
C
output
/Head
×
H
×
W的大小，Head表示自注意力机制和卷积融合模块中多头部自注意力机制的头部数量，C
output
表示卷积输出通道数，H表示特征图高度，W表示特征图宽度；所述卷积路径单元对所述特征图F
Q
、所述特征图F
K
和所述特征图F
V
进行特征串联和1
×
1的卷积操作，然后利用多群卷积层对特征图进行可学习位移操作得到卷积特征图，所述卷积路径单元的输出计算公式如下：式中，F
conv
表示卷积特征图，CAT表示特征串联，表示一个1
×
1卷积层，shift_operation表示卷积核为3的多群卷积层；
所...

【专利技术属性】
技术研发人员：蒲彦，张明阳，公茂果，朱轶群，金建国，刘统飞，郑瀚泓，李林琦，李珍，王钊，
申请(专利权)人：温州市勘察测绘研究院有限公司，
类型：发明
国别省市：