【技术实现步骤摘要】
一种多支路协同语义变化检测方法、系统、设备及介质
[0001]本专利技术属于语义变化检测
,尤其涉及一种多支路协同语义变化检测方法、系统、设备及介质。
技术介绍
[0002]对给定一组相同区域不同时相的遥感图像对进行检测,现有算法大多聚焦于检测不同时相的图像之间变化与未变化像素点的位置,即二进制变化检测(Binary Change Detection,BCD),其提供的信息较单一,无法为后续应用提供更丰富、精细的语义信息;语义变化检测(Semantic Change Detection,SCD)不仅能够识别变化区域,还能得到双时相区域的变化类别。语义变化检测任务可分解为两个任务的组合:对遥感图像对的语义分割和二值变化检测。
[0003]由于大规模语义变化检测数据集的限制,大多数现有的语义变化检测方法都专注于场景级的变化,其中语义变化图仅由粗糙的边界或稀缺的类别信息生成。随着像素级语义变化检测数据集的不断提出,一些特定的用于语义变化检测的模型和方法也被提出,但由于在语义变化检测任务中,存在1)背景复杂:双时相遥感图像对的各区域具有复杂的地表特征分布,具体表现为分辨率不一,不同图像间分布无明显规律,难分样本多等特点,给语义变化检测结果带来了负面影响;2)存在“椒盐噪声”:双时相遥感图像对存在光谱可变性,通过传统像素分类方法识别出的区域往往不精细且呈现出类似椒盐噪声样的识别结果;3)视觉特征易混淆:双时相遥感图像对之间的成像条件存在差异,或存在噪声干扰,图像对中的特征与原始情况相比在视觉上可能存在混淆,增加了 ...
【技术保护点】
【技术特征摘要】
1.一种多支路协同语义变化检测方法,其特征在于,引入伪标签来对未变化区域预测语义类别标签,从而增加标注像素的数量;通过向ResNet添加额外的高分辨率分支来实现双分辨率网络;然后,引入上下文信息交互模块,利用目标区域表示来增强其上下文信息表示,得到上下文信息交互特征,将原始特征与上下文信息交互特征进行拼接操作,得到最终的增强特征;再将提取到的增强特征进行多种方式的通道融合,同时在降维前引入通道注意力机制来聚焦通道域的重要特征,折衷复杂度和特征的丰富度,以提高变化区域的检测精度,降低未变化区域的误检率。2.根据权利要求1所述的一种多支路协同语义变化检测方法,其特征在于,具体包括以下步骤:S1、将语义变化检测样本集进行划分,将公开可用的语义变化检测数据集随机划分为训练集和测试集;S2、读取步骤S1中划分的训练集的图像,对其进行数据处理及数据增强:S3、采用多分辨率卷积神经双向融合网络对双时相遥感图像进行特征提取,提取的多分辨率特征为X
ms
,在分类主干网络ResNet基础上添加一个额外的高分辨率分支,ResNet网络在执行下采样时分为四个阶段,每个阶段的输出结果将特征图的大小减半,通道数加倍,逐级提取高级语义特征,在不同的阶段执行对高分辨率分支的特征与低分辨率分支的特征分别进行“高
‑
低融合”和“低
‑
高融合”,通过双向特征融合,充分利用多分辨率的空间信息和语义信息;S4、引入类自注意力机制用于构建上下文信息交互模块,采用上下文信息交互模块来增强上下文信息,最终上下文信息交互后的增强特征为X
ce
,S5、对双时相提取到的特征进行通道融合,最终融合后的特征为X
fus
,S6、根据步骤S4和步骤S5最终融合后的特征,通过对应的语义分割解码器和二值变化检测解码器,得到最终输出结果。3.根据权利要求2所述的一种多支路协同语义变化检测方法,其特征在于,所述步骤S2的具体方法为:首先,选取多个经典的网络模型,包括ResNet101、HRNet
‑
W64,将原始数据输入进模型进行训练,将训练好的模型通过模型集成的方式对语义变化检测数据集的未变化区域具体的语义类别进行预测,将未变化区域的预测的结果作为伪标签,结合变化区域的已有标签,实现数据集的二次标注,增加标注像素的数量;然后,通过随机左右翻转、上下翻转和多角度旋转来对数据进行数据增强。4.根据权利要求3所述的一种多支路协同语义变化检测方法,其特征在于,所述步骤S2中用于伪标签生成的模型不参与后续的训练及测试。5.根据权利要求2所述的一种多支路协同语义变化检测方法,其特征在于,所述步骤S4的具体方法为:S401、对步骤S3提取的多分辨率特征X
ms
进行卷积和维度转换操作,见公式(1):X
feats
=RELU(BN(Conv3×3(X
ms
)))
ꢀꢀꢀꢀ
(1)X
permute
=Permute(X
feats
) (2)
其中,Permute(
·
)指的是维度调换操作;S402、对X
ms
通过一个简单的粗分割网络得到粗语义分割结果RSS;RSS=Conv1×1(RELU(BN(Conv1×1(X
ms
))))
ꢀꢀꢀꢀ
(3)S403、对步骤S402得到的粗语义分割结果RSS进行Softmax和维度转换操作,得到C组,C为分割类别,向量集合V={V
i
,i=1,...,C},每个向量V
i
是一个类别的特征表示;X
soft
=softmax(Permute(X
ms
))
ꢀꢀꢀ
(4)S404、对步骤S401和步骤S403得到的结果进行矩阵相乘,得到对象上下文表征;X
object
=Matmul(X
permute
,X
soft
)
ꢀꢀꢀ
(5)S405、计算每个像素和步骤S404得到的对象上下文表征的关系,得到每个像素的最终表征;引入Q...
【专利技术属性】
技术研发人员:王蓉芳,李畅,焦昶哲,刘若辰,牛毅,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
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。