【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种超高空间分辨率遥感图像变化检测孪生网络及方法。
技术介绍
1、变化检测(cd)是指检测和分析同一地理空间在不同时间下发生的变化。通常，检测的变化是真实存在的变化，而非传感器因素、季节光照变化等引起的伪变化。一些传统的变化检测方法对像素进行单独处理和分析，忽略了地物的空间信息和语义信息，且难以克服噪声的干扰，导致变化检测结果存在误检和漏检的问题。近年来，卷积神经网络(cnn)凭借其强大的非线性表征能力和泛化性，逐渐在变化检测领域得到了广泛的应用。为了进一步提高变化检测的精度和鲁棒性，目前在cnn的基础上已经构建了大量的变化检测模型，并探索了各种机制来优化变化检测网络的性能。例如，在变化检测模型中引入空洞卷积以扩大感受野，获取更为丰富的全局特征表示；利用注意力机制增强真实变化区域的特征，同时抑制非真实变化区域的特征；或者使用自注意力机制捕获全局空间上下文信息，建立像素与像素之间的空间相关性。
2、目前基于cnn的变化检测方法根据其网络架构的不同，大致可以分为基于单分支、双分支编码和双分支编码解码器的架构。基于单分支架构的变化检测网络采用早期融合的方式将双时相图像融合后输入到单分支的编码和解码器中进行变化区域的检测。pengetal.提出了一种密集注意力单分支架构变化检测模型，建立低层特征和深层特征之间的相关性，并使用差异增强模块进一步消除传感器、季节光照等因素带来的影响。基于双分支编码架构的变化检测网络采用孪生网络结构提取双时相原始图像深层特征，采用中期融合的方式将深层图像特征融合后进
3、现有中国专利文件cn111539316a公开了一种基于双注意力孪生网络的高分遥感影像变化检测方法，利用孪生的空间注意力机制和通道注意力机制来获取高判别性的特征表达，同时使用双重阈值损失函数来进一步筛选有效特征，强效滤除伪变化信息的遥感影像变化，从而获得了较好的高分辨率遥感影像变化检测结果。专利文件cn111539316a虽然使用注意力机制获取高判别性的特征表达，并使用重阈值损失函数来进一步筛选有效特征。但未使用多尺度的编码器特征进行变化区域的重建，无法解决小目标的丢失和边缘模糊问题。
4、为了充分利用多尺度差异特征，本专利技术则将不同尺度的差异特征沿通道方向进行堆叠，并使用时空注意力机制对多尺度差异特征进行时空域的增强，以提升真实变化区域的特征，同时抑制不相关区域的特征。同时建立了不同尺度差异特征图通道之间的相关性，以提高不同尺度差异特征的表征能力。由于cnn变化检测模型在特征提取下采样过程中会导致图像细节信息的丢失，因此在特征解码重建变化图中，大多数变化检测模型采用跳跃连接的方式将解码器上采样后的特征图与同一尺度编码器的特征图进行融合，以恢复变化区域的细节信息。但解码器上采样后的特征图与同一尺度编码器的特征图之间存在着语义鸿沟，为了进一步消除两者之间的语义差异。本专利技术文设计了一种特征融合模块，将增强后的差异特征和同一尺度的双时相编码器特征进行融合。
技术实现思路
1、本专利技术的目的在于提供一种超高空间分辨率遥感图像变化检测孪生网络及方法，针对超高空间分辨率遥感影像变化检测，适用于遥感影像分析与处理；以解决由于光照、季节等外部因素的影响所引起的伪变化问题。本专利技术使用了非对称卷积提取深度特征，增强了边缘区域，同时使用了时空注意力增强多尺度差异特征，并使用层层解码的方式恢复变化区域。相比于现有技术，本专利技术有效的缓解了小目标丢失和边缘模糊的问题。
2、为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：
3、一种超高空间分辨率遥感图像变化检测孪生网络，所述孪生网络为变化检测网络mdsanet，包括非对称卷积残差编码器，多尺度差异特征时空注意力增强模块和特征融合解码器。
4、进一步的，通过非对称卷积残差编码器进行深层特征提取，然后将不同尺度的差异特征沿通道方向进行堆叠，并采用时空注意力机制对多尺度差异特征进行时空域的增强，以提升不同尺度特征的表征能力。将时空域增强后的多尺度差异特征按照不同尺度通道数进行拆分，通过特征融合解码器将增强后的差异特征和同一尺度的双时相编码器特征进行融合。
5、另一方面，本专利技术提出一种超高空间分辨率遥感图像变化检测方法，包括以下步骤：
6、s1：假设双时相的图像i1，i2的大小及通道数为h×w×c0，在将其输入到共享权重的非对称卷积残差编码器中提取多尺度特征for i＝1，2。在计算多尺度差异特征
7、s2：df1，df2，df3分别进行2×、4×和8×下采样将其空间大小转化为h/8×w/8，之后在将下采样后的df1，df2，df3和df4串联得到多尺度差异融合特征ff，其空间大小及通道数为h/8×w/8×c。并使用时空注意力机制(cbam)对ff进行时空域增强，增强后多尺度差异融合特征eff进行通道数拆分，得到不同尺度下增强的多尺度差异特征edf＝{edf1，edf2，edf3，edf4}。
8、s3：cbam由空间注意力(sam)和通道注意力(cam)组成；其空间注意力是利用特征间的空间关系生成空间注意力图，通道注意力则利用特征的通道间关系生成通道注意图。本专利技术首先将获取的多尺度差异图进行串联，得到串联后的多尺度差异图ff，以建立不同尺度差异特征的通道相关性。其次将ff进行通道域和空间域的增强，得到增强后多尺度差异图eff，提高不同尺度特征的表达能力。
9、s4：然后在将edf与同一尺度的双时相编码器特征进行特征融合，获得融合后的解码器特征fd＝{f1，f2，f3，f4}。
10、s5：多尺度特征在通道上进行串联，并与增强后的差异特征edf分别进行元素间相乘和相加，获得融合的特征图fd。
11、s6：进行上采样、卷积和串联操作将f1，f2，f3，f4层层递进融合得到特征c3。并通过上采样和卷积操作将f1，f2，f3，c3转化为h×w×2大小的特征图，并使用深度监督优化网络。
12、进一步的，本专利技术采用深度监督策略训练网络的中间层f1，f2，f3和输出层c3，使用损失函数为dice loss和weighted cross-entropy loss本文档来自技高网...
【技术保护点】
1.一种超高空间分辨率遥感图像变化检测孪生网络，其特征在于，所述孪生网络为变化检测网络MDSANet，包括非对称卷积残差编码器，多尺度差异特征时空注意力增强模块和特征融合解码器。
2.如权利要求1所述的超高空间分辨率遥感图像变化检测孪生网络，其特征在于：通过非对称卷积残差编码器进行深层特征提取，然后将不同尺度的差异特征沿通道方向进行堆叠，并采用时空注意力机制对多尺度差异特征进行时空域的增强，以提升不同尺度特征的表征能力；将时空域增强后的多尺度差异特征按照不同尺度通道数进行拆分，通过特征融合解码器将增强后的差异特征和同一尺度的双时相编码器特征进行融合。
3.一种超高空间分辨率遥感图像变化检测方法，其特征在于：包括以下步骤：
4.如权利要求3所述的超高空间分辨率遥感图像变化检测方法，其特征在于：采用深度监督策略训练网络的中间层F1，F2，F3和输出层C3，使用损失函数为dice loss和weightedcross-entropy loss构成的混合损失。
5.如权利要求3所述的超高空间分辨率遥感图像变化检测方法，其特征在于：还包括通过
...【技术特征摘要】
1.一种超高空间分辨率遥感图像变化检测孪生网络，其特征在于，所述孪生网络为变化检测网络mdsanet，包括非对称卷积残差编码器，多尺度差异特征时空注意力增强模块和特征融合解码器。
2.如权利要求1所述的超高空间分辨率遥感图像变化检测孪生网络，其特征在于：通过非对称卷积残差编码器进行深层特征提取，然后将不同尺度的差异特征沿通道方向进行堆叠，并采用时空注意力机制对多尺度差异特征进行时空域的增强，以提升不同尺度特征的表征能力；将时空域增强后的多尺度差异特征按照不同尺度通道数进行拆分，通过特征融合解码器将增强后的...
【专利技术属性】
技术研发人员：黄亮，乐伟鹏，唐伯惠，王敏，田秋媛，
申请(专利权)人：昆明理工大学，
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。