【技术实现步骤摘要】
本专利技术涉及计算机视觉的遥感图像的，具体而言，涉及一种基于深度学习的遥感图像变化检测方法、计算机装置和计算机可读存储介质。
技术介绍
1、随着深度学习技术的迅速发展，遥感图像成为了众多学者关注的研究领域。深度学习在遥感图像处理方面具有广泛的应用。遥感图像是通过卫星、飞机等远距离传感器获取的地球表面的图像数据。深度学习算法通过对遥感图像进行分析和处理，该项技术在诸多领域中有着重要的应用前景。例如：遥感目标检测与识别、对遥感图像中的地物进行分类、环境监测、城市规划以及地震灾害评估等。
2、现有的基于深度学习的遥感图像变化检测方法尽管已经取得了许多技术进展，但仍存在一些技术缺陷：
3、(1)分辨率限制：遥感图像的分辨率受到限制，尤其是针对大范围的地表覆盖。较低的分辨率可能导致细节丢失，限制了对某些对象或特征的准确提取和分析。
4、(2)雲、霧和阴影干扰：云、雾和阴影对遥感图像的质量和解释产生负面影响。它们可能导致图像的遮挡、光照不均匀以及颜色失真等问题，从而降低了图像的可用性和解读能力。
5、(3)遥感图像的时序性：静态的遥感图像难以提供地表变化的动态信息。因此，对于一些需要时间序列数据的应用，如环境监测和灾害管理，静态图像无法提供完整的信息。
6、(4)数据获取成本和频率：获取高分辨率的遥感图像通常需要昂贵的设备和传感器，并且数据获取的频率有限。这限制了对实时或频繁监测的应用的可行性。
7、(5)自动解释和分析的挑战：遥感图像通常需要进行自动解释和分析以提取有
8、(6)数据量和处理能力(即计算和内存挑战)：遥感图像数据量庞大，对存储和处理能力提出了巨大的要求。有效地处理和分析大规模遥感图像数据仍然是一个挑战，尤其是在实时或近实时应用中。
9、因此，需要研究一种创新的基于深度学习的遥感图像变化检测方法，以解决传统的遥感图像检测模型在处理高分辨率图像时面临的计算和内存挑战的技术问题。
技术实现思路
1、本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。
2、为此，本专利技术的第一目的在于提出一种基于深度学习的遥感图像变化检测方法。
3、本专利技术的第二目的在于提出一种计算机装置。
4、本专利技术的第三目的在于提出一种计算机可读存储介质。
5、本专利技术的第一方面的技术方案，提供了一种基于深度学习的遥感图像变化检测方法，包括：步骤s1：获取遥感图像的数据集；其中，所述遥感图像的数据集中的每个图像包括前时相遥感图像、后时相遥感图像和相对应的建筑变化标签图；步骤s2：按照预设比例将所述遥感图像的数据集划分为训练集、验证集和测试集；其中，所述训练集为有标注的训练集，所述验证集和所述测试集均为无标注的测试集；步骤s3：对所述数据集进行预处理；步骤s4：搭建dual-stream swin-transformer hrnet的自注意力网络模型；所述自注意力网络模型包括：backbone模块、dual-streamswin-transformer模块和predicthead模块；所述backbone模块包括：前时相遥感图像接收模块、后时相遥感图像接收模块、第一hrnet模块和第二hrnet模块；所述dual-streamswin-transformer模块包括：第一patch merging模块、第二patch merging模块、sw-block模块、第一concat模块、第二concat模块、第一w-block模块、第二w-block模块和sub&abs模块；步骤s5：基于预处理后的训练集训练所述自注意力网络模型，将预处理后的验证集输入训练后的自注意力网络模型进行优化，保存最终优化后的自注意力网络模型，并将所述最终优化后的自注意力网络模型定义为最优模型；步骤s6：将预处理后的测试集输入所述最优模型进行遥感图像的变化检测，得到预处理后的测试集对应的遥感图像的变化检测结果；其中，所述前时相遥感图像接收模块，用于接收预处理后的训练集、验证集或测试集中的每个图像对应的所述前时相遥感图像；所述后时相遥感图像接收模块，用于接收预处理后的训练集、验证集或测试集中的每个图像对应的所述后时相遥感图像；所述第一hrnet模块，用于对接收到的前时相遥感图像进行特征提取，以得到第一特征图；其中，所述第一hrnet模块以hrnet为骨干网络；所述第二hrnet模块，用于对接收到的后时相遥感图像进行特征提取，以得到第二特征图；所述第二hrnet模块以hrnet为骨干网络；所述第一patch merging模块，用于对所述第一特征图进行压缩空间和压缩语义信息的操作，以得到第三特征图；所述第二patch merging模块，用于对所述第二特征图进行压缩空间和压缩语义信息的操作，以得到第四特征图；所述sw-block模块，用于接收将所述第三特征图和所述第四特征图进行拼接后的特征图c1，并对该拼接后的特征图c1进行特征提取以得到第五特征图，以供后续将所述第五特征图分割成两个相同大小的特征图c；所述第一concat模块，用于将所述第一特征图和所述特征图c进行拼接，以得到第六特征图，并将所述第六特征图发送至所述第一w-block模块；所述第二concat模块，用于将所述第二特征图和所述特征图c进行拼接，以得到第七特征图，并将所述第七特征图发送至所述第二w-block模块；所述第一w-block模块和所述第二w-block模块，用于分别接收所述第六特征图和所述第七特征图，并分别对所述第六特征图和所述第七特征图进行特征提取，以分别得到对应的第八特征图和第九特征图；所述sub&abs模块，用于对所述第八特征图和所述第九特征图的对应位置进行相减操作，以得到第十特征图；其中，所述第十特征图突出预处理后的训练集、验证集或测试集中的每个图像对应的前时相遥感图像和后时相遥感图像之间的变化；所述predicthead模块，用于接收所述第十特征图，以得到预处理后的训练集、验证集或测试集对应的遥感图像的变化检测结果。
6、优选地，所述第一patch merging模块，具体用于：将所述第一特征图划分为若干个不相交的固定大小的区域，并将每个区域压平成一个一维向量，以形成对应的一个特征矩阵；将相邻的patch再融合成新的patch，以实现降低所述第一特征图的空间分辨率并保持通道数量不变；以及所述第二patch merging模块，具体用于：将所述第二特征图划分为若干个不相交的固定大小的patch，并将每个patch压平成一个一维向量，以形成对应的一个特征embedding矩阵；将相邻的patch再融合成新的patch，以实现降低所述第二特征图的空间分辨率并保持通道数量不变。
7、优选地，所述sw-block模块，具体包括：第一归一化层、sw-msa注意力机制模块、第二归一化层、和第一多层感知机；所述第一多层感知机由多个全连接层组本文档来自技高网...
【技术保护点】
1.一种基于深度学习的遥感图像变化检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的遥感图像变化检测方法，其特征在于，所述第一Patch Merging模块，具体用于：
3.根据权利要求1所述的基于深度学习的遥感图像变化检测方法，其特征在于，所述SW-Block模块，具体包括：第一归一化层、SW-MSA注意力机制模块、第二归一化层、和第一多层感知机；所述第一多层感知机由多个全连接层组成；
4.根据权利要求3所述的基于深度学习的遥感图像变化检测方法，其特征在于，所述第一W-Block模块，具体包括：第三归一化层、第一W-MSA注意力机制模块、第四归一化层、和第二多层感知机；所述第二多层感知机由多个全连接层组成；
5.根据权利要求4所述的基于深度学习的遥感图像变化检测方法，其特征在于，所述SW-Block模块、第一W-Block模块和第二W-Block模块中的多头自注意力的计算公式为：
6.根据权利要求1至5中任一项所述的基于深度学习的遥感图像变化检测方法，其特征在于，所述对所述数据集进行预处理的步骤包括：
7.一种计算机装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于深度学习的遥感图像变化检测方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于深度学习的遥感图像变化检测方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的遥感图像变化检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的遥感图像变化检测方法，其特征在于，所述第一patch merging模块，具体用于：
3.根据权利要求1所述的基于深度学习的遥感图像变化检测方法，其特征在于，所述sw-block模块，具体包括：第一归一化层、sw-msa注意力机制模块、第二归一化层、和第一多层感知机；所述第一多层感知机由多个全连接层组成；
4.根据权利要求3所述的基于深度学习的遥感图像变化检测方法，其特征在于，所述第一w-block模块，具体包括：第三归一化层、第一w-msa注意力机制模块、第四归一化层、和第二多层感知机；所述第二多层感知机由多个全连接层组成；
5.根据权利要求...
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。