一种具有多尺度特征融合功能的遥感影像变化检测方法技术

本发明专利技术公开了一种具有多尺度特征融合功能的遥感影像变化检测方法，首先采集用于遥感图像变化检测的数据集，并将数据集分为训练集、验证集和测试集，再对数据集内部的数据进行增强扩充，接着对数据集中的训练集采用预训练网络和差分网络提取特征，再通过CBAM注意力机制和Swin Transformer模型进行融合辅助训练，得到融合辅助训练结果；本发明专利技术实现了具有利用Swin Transformer块和CBAM注意力机制捕获全局信息的功能，且能更有效的识别同一区域不同时刻遥感影像中的变化区域，提高了变化检测的精确度，也实现了利用卷积神经网络来提取局部信息，并利用Swin Transformer block来捕获远程依赖，保障了低层和高层特征的融合效果，适合被广泛推广和使用。适合被广泛推广和使用。适合被广泛推广和使用。

【技术实现步骤摘要】
Transformer模型进行融合辅助训练，得到融合辅助训练结果，其中所述预训练网络采用的是VGG16模型，而所述差分网络采用的是UNet++模型，具体步骤如下，
[0013]步骤(B1)，设X
i,j
表示卷积单元，x
i,j
表示节点X
i,j
的输出，SF
i,0
和SF
i,2
为采用Swin Transformer block进行多尺度特征融合的模块，所述SF
i,0
中的i＝1、2、3和4，所述SF
i,2
中的i＝1和2，CF
i,1
和CF
1,3
为采用CBAM注意力机制进行多尺度特征融合的模块，所述CF
i,1
中的i＝1、2和3；
[0014]步骤(B2)，设对x
2,0
进行上采样并得到和x
1,0
∈R
B
×
C
×
H
×
W
相同尺度的特征A，而预训练网络输出的原始图像特征与在通道维度合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有多尺度特征融合功能的遥感影像变化检测方法，其特征在于：包括以下步骤，步骤(A)，采集用于遥感图像变化检测的数据集，并将数据集分为训练集、验证集和测试集，再对数据集内部的数据进行增强扩充；步骤(B)，对数据集中的训练集采用预训练网络和差分网络提取特征，再通过CBAM注意力机制和Swin Transformer模型进行融合辅助训练，得到融合辅助训练结果；步骤(C)，基于融合辅助训练结果构建用于融合局部和全局信息的先前知识复用通道注意模块；步骤(D)，通过融合局部和全局两条并行的注意力路径，并重新校准当前的特征图，生成最终的变化图，完成对遥感影像变化的检测作业。2.根据权利要求1所述的一种具有多尺度特征融合功能的遥感影像变化检测方法，其特征在于：步骤(A)，采集用于遥感图像变化检测的数据集，并将数据集分为训练集、验证集和测试集，再对数据集内部的数据进行增强扩充，其中数据增强扩张包括旋转90
°
、旋转180
°
、旋转270
°
、水平翻转和垂直翻转。3.根据权利要求2所述的一种具有多尺度特征融合功能的遥感影像变化检测方法，其特征在于：步骤(B)，对数据集中的训练集采用预训练网络和差分网络提取特征，再通过CBAM注意力机制和Swin Transformer模型进行融合辅助训练，得到融合辅助训练结果，其中所述预训练网络采用的是VGG16模型，而所述差分网络采用的是UNet++模型，具体步骤如下，步骤(B1)，设X
i,j
表示卷积单元，x
i,j
表示节点X
i,j
的输出，SF
i,0
和SF
i,2
为采用Swin Transformer block进行多尺度特征融合的模块，所述SF
i,0
中的i＝1、2、3和4，所述SF
i,2
中的i＝1和2，CF
i,1
和CF
1,3
为采用CBAM注意力机制进行多尺度特征融合的模块，所述CF
i,1
中的i＝1、2和3；步骤(B2)，设对x
2,0
进行上采样并得到和x
1,0
∈R
B
×
C
×
H
×
W
相同尺度的特征A，而预训练网络输出的原始图像特征与在通道维度合并得到特征B∈R
B
×
2C
×
H
×
W
，接着将特征B与特征A在通道维度合并得到特征C∈R
B
×
3C
×
H
×
W，再将特征C输入到Swin Transformer Block中得到融合全局信息的特征SF
2,0
，具体融合步骤如公式(1)、公式(2)和公式(3)所示，A＝Up(x
2,0
)
ꢀꢀꢀꢀ
(1)SF
2,0
＝SwinT([A,B])
ꢀꢀꢀꢀ
(3)其中，Up()表示上采样，[，]表示在通道维度拼接，SwinT()表示Swin Transformer Block；步骤(B3)，将SF
...

【专利技术属性】
技术研发人员：詹天明，袁梦雪，徐超，徐洋，吴泽彬，
申请(专利权)人：南京审计大学，
类型：发明
国别省市：