【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, ...
【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:
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。