一种基于改进制造技术

本发明专利技术提出一种基于改进

【技术实现步骤摘要】
一种基于改进Swin Transformer的遥感影像建筑物变化检测方法


[0001]本专利技术属于基于深度学习的图像处理领域，具体基于改进
Swin Transformer
的遥感影像建筑物变化检测方法
。

技术介绍

[0002]遥感影像的变化检测主要针对同一位置下不同时期的遥感影像之间所发生的变化，通过变化检测方法以快速掌握土地类型，从而应用于土地类型管理
、
城市土地资源规划和灾害评估等各方面应用
。
随着城市化速度的加快，不同时序遥感影像中的建筑物也随之快速发生变化
。
针对遥感影像中建筑物所发生的变化，包括新建
、
扩建
、
拆除和因灾害导致毁坏的建筑物，研究者采用了很多不同的方法去提高变化检测的效率和精度
。
传统方法包括像素级
、
对象级以及场景级变化检测，这些方法大都很难从图像底层提取特征信息
。
[0003]近年来，随着深度学习的迅速发展，基于深度学习的变化检测也很快被应用到遥感领域上
。
深度学习方法为遥感领域的变化检测方法带来了极大的性能提升，但是随着我国卫星遥感技术的发展，遥感影像的分辨率也在不断提高
。
清晰度提高的同时也带来了很多复杂场景下的干扰，导致了现有变化检测方法无法进一步提高精度
。
而深度学习方法中，尽管基于卷积神经网络的变化检测方法能对图像特征进行深度挖掘，进一步提取图像中的特征，但是普遍的卷积神经网络方法都缺少对全局信息的关注，容易在特征提取过程中丢失空间信息
。
后来
Transformer
结构针对长距离的上下文信息提取被提出，该结构可以有效提取图像的全局信息，将长距离的区域特征关联起来
。
但
Transformer
在一定程度上丢失了局部信息的关注，因此本专利技术结合
CNN
与
Transformer
的优点，设计一个采用
CNN
结构与
Swin Transformer
进行融合的网络模型对遥感影像中的建筑物进行变化检测
。

技术实现思路

[0004]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于改进
Swin Transformer
的遥感影像建筑物变化检测方法，该方法包括以下步骤：
[0005]步骤一：对遥感影像数据进行预处理，制作训练数据集；
[0006]步骤二：构建
CNN
‑
Swin Transformer
特征提取模块来提取建筑物的全局
‑
局部特征；
[0007]步骤三：基于所述模块来设计特征提取编码器和多尺度特征融合解码器，用于提取图像中的多尺度建筑物特征和特征融合；
[0008]步骤四：基于所述
CNN
‑
Swin Transformer
特征提取模块
、
特征提取编码器，多尺度特征融合解码器来构建改进的变化检测网络；
[0009]步骤五：将所述编码器所提取特征输入解码器中，得到二分类结果图
。
[0010]其中，所述
CNN
‑
Swin Transformer
模块包括
CNN
特征提取模块和
Swin Transformer
模块
。
[0011]所述基于卷积层建立
CNN
特征提取模块，将输入图像输入至所述
CNN
特征提取模块，得到经过初步提取的建筑物局部特征，具体方式为：
[0012]通过所述
CNN
特征提取模块对输入图像依次进行
1x1
卷积
、BN
运算和
GeLU
运算，得到经过维度提升的初步特征图
。
这一步是为了提取更多的信息，在输入深度卷积前都会将特征图的维度调整为高维度特征
。
[0013]通过所述
CNN
特征提取模块对所述初步特征图结果依次进行
3x3
深度可分离卷积
、BN
运算
、GeLU
运算和
1x1
逐点卷积得到局部信息
。
[0014]通过所述
CNN
特征提取模块对所述局部信息连接到全局注意力机制进行运算，得到经过所提取特征的加权权值
。
[0015]通过所述
CNN
特征提取模块所述的局部信息
、
加权权值与原始图像进行相乘，得到经过注意力权值计算的局部相关特征
。
[0016]其中，所述
Swin Transformer
模块分为四个阶段，每个阶段都包括两层特征提取层
。
[0017]通过所述多层次特征提取主干网络部分对输入图像进行全局
‑
局部特征提取，得到4张不同尺度下的变化特征图的具体方式为：
[0018]通过所述
Swin Transformer
模块对所述局部相关特征通过
Swin Transformer
的自注意力结构进行运算，得到建筑物基于局部特征所提取的全局特征；
[0019]将所述特征作为下一个
CNN
‑
Swin Transformer
模块的输入，并且重复进行全局
‑
局部特征的迭代提取；
[0020]重复该过程直到第四张变化特征图提取结束；
[0021]其中，所述多尺度特征融合解码器使用类似于
UNet
解码器的结构来进行拼接与上采样；
[0022]通过所述多尺度特征融合解码器来对不同尺度的变化特征图进行通道数调整，首先将图片分辨率最小的图片通过上采样调整图片大小，经过调整大小的图片与上一层图片进行融合拼接，重复该过程直到4张变化特征图融合为一张变化结果图
。
[0023]如上所述，本专利技术的一种基于改进
Swin Transformer
的遥感影像建筑物变化检测方法，具有以下有益效果：
[0024]本专利技术设计基于
CNN
设计一个局部特征提取模块，使用
Swin Transformer
网络框架作为特征提取主干网络，结合
CNN
与
Transformer
的优点对输入的遥感图像进行特征提取
。
基于
CNN
的特征提取模块可以提取图像中的局部特征，通过该前馈神经网络弥补
Swin Transformer
局部感受野不足的问题
。
通过两者结合的模型来提取图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
Swin Transformer
的遥感影像建筑物变化检测方法，其特征在于，该方法包括以下步骤：步骤一：采集建筑物的遥感影响数据，对所述遥感影像数据进行预处理，制作训练数据集；步骤二：构建
CNN
‑
Swin Transformer
特征提取模块，从所述遥感影像中提取建筑物的全局
‑
局部特征；步骤三：基于所述
CNN
‑
Swin Transformer
特征提取模块来设计特征提取编码器和多尺度特征融合解码器，分别用于提取所述图像中的多尺度建筑物特征和对所述特征进行特征融合；步骤四：基于所述
CNN
‑
Swin Transformer
特征提取模块
、
所述特征提取编码器，以及所述多尺度特征融合解码器来构建改进的变化检测网络；步骤五：将所述编码器所提取的特征输入所述解码器中，得到二分类结果图
。2.
如权利要求1所述的基于改进
Swin Transformer
的遥感影像建筑物变化检测方法，其特征在于，所述特征提取模块包括用于提取所述建筑物局部特征的
CNN
特征提取模块与用于提取所述建筑物全局特征的
Swin Transformer
模块
。3.
如权利要求2所述的基于改进
Swin Transformer
的遥感影像建筑物变化检测方法，其特征在于，利用所述
CNN
特征提取模块提取所述建筑物局部特征的具体方式为：通过所述
CNN
特征提取模块对输入图像依次进行
1x1
卷积
、BN
运算和
GeLU
运算，得到经过维度提升的初步特征图；通过所述
CNN
特征提取模块对所述初步特征图结果依次进行
3x3
深度可分离卷积
、BN
运算
、GeLU
运算和
1x1
逐点卷积得到局部信息；通过所述
CNN
特征提取模块对所述局部信息连接到全局注意力机制进行运算，得到经过所提取特征的加权权值；通过所述
C...

【专利技术属性】
技术研发人员：黄建华，于政尧，孙希延，纪元法，符强，王守华，严素清，罗明明，万逸轩，
申请(专利权)人：南宁桂电电子科技研究院有限公司，
类型：发明
国别省市：