一种多尺度特征提取及信息挖掘的遥感图像变化检测网络制造技术

本发明专利技术属于遥感图像变化检测领域，具体为一种多尺度特征提取及信息挖掘的遥感图像变化检测网络。本发明专利技术提出了针对多尺度特征信息挖掘融合的变化检测网络MSFMF‑CDNet，首先，基于对层次特征显示不同级别信息的观察，设计了一个选择性卷积注意力机制SCBAM模块来改善多尺度特征的可区分性；随后，提出级联交叉自注意力机制CCSAM模块来细化多尺度特征全局信息，最后，利用高级特征指导多尺度融合HFGFFM模块提高模型对不同大小对象的鉴别能力。通过在LEVIR‑CD、WHU‑CD和CDD两个公共光学遥感图像CD数据集上的实验表明，比其他常用方法实现了更强的遥感图像变化检测CD性能。

【技术实现步骤摘要】

本专利技术属于遥感图像变化检测领域，具体为一种多尺度特征提取及信息挖掘的遥感图像变化检测网络。

技术介绍

1、遥感图像变化检测(cd)涉及在不同时间段拍摄的同一地理位置图像中识别变化。大量高空间分辨率(hr)和超高分辨率(vhr)遥感图像的可用性提供了观察地面目标更详细的宝贵机会。因此，遥感图像变化检测的应用越来越广泛，被应用多个方面，包括土地资源管理、城市发展规划以及灾害评估等多个领域。

2、遥感图像变化检测的传统方法包括基于代数的方法、基于变换的方法以及高级变化检测模型。基于代数的方法利用诸如图像差异、图像比率和变化向量分析(cva)等基本数学计算生成变化图。它们通过阈值分割来得出遥感图像变化检测(cd)结果。基于变换的方法如主成分分析(pca)和拼帽变换(tct)通过对原始多时相遥感图像进行变换以减少冗余信息，并分析关键信息用于遥感图像变化检测。高级变化检测模型侧重于将图像反射转换为物理参数。虽然传统的遥感图像变化检测方法通常易于实施和理解，但它们的阈值选择依赖于研究人员的经验，并且可能无法提供完整的变化矩阵。因此，传统的遥感图像变化检测本文档来自技高网...

【技术保护点】

1.一种多尺度特征提取及信息挖掘的遥感图像变化检测网络，其特征在于：包括多尺度CNN-Backbone编码器、选择性卷积注意力机制模块、级联交叉自注意力机制模块和高级特征指导多尺度融合模块，多尺度CNN-Backbone编码器提取到双时相图像的不同尺度特征，双时相图像的不同尺度特征输入到选择性卷积注意力机制模块，对不同阶段的特征进一步增强，选择性卷积注意力机制模块输出优化增强后的双时相特征图像，优化增强后的双时相特征图像输入到级联交叉自注意力机制模块，级联交叉自注意力机制模块来细化多尺度特征全局信息，得到新的特征，最后，利用高级特征指导多尺度融合模块对新的特征解码，并应用分类器来区分变化...

【技术特征摘要】

1.一种多尺度特征提取及信息挖掘的遥感图像变化检测网络，其特征在于：包括多尺度cnn-backbone编码器、选择性卷积注意力机制模块、级联交叉自注意力机制模块和高级特征指导多尺度融合模块，多尺度cnn-backbone编码器提取到双时相图像的不同尺度特征，双时相图像的不同尺度特征输入到选择性卷积注意力机制模块，对不同阶段的特征进一步增强，选择性卷积注意力机制模块输出优化增强后的双时相特征图像，优化增强后的双时相特征图像输入到级联交叉自注意力机制模块，级联交叉自注意力机制模块来细化多尺度特征全局信息，得到新的特征，最后，利用高级特征指导多尺度融合模块对新的特征解码，并应用分类器来区分变化的特征，生成具有锐利细节的变化图。

2.根据权利要求1所述的一种多尺度特征提取及信息挖掘的遥感图像变化检测网络，其特征在于：多尺度cnn-backbone编码器采用了孪生框架，由两个具有相同结构和共享参数的并行子网络残差网络组成；双时相图像i1和i2作为输入分别馈送到两个并行子网络残差网络中处理，对双时相图像i1和i2进行特征提取的流程包括五个阶段，一阶段由一个卷积层b...

【专利技术属性】
技术研发人员：王斌，王博，赵倩，秦品乐，曾建潮，
申请(专利权)人：中北大学，
类型：发明
国别省市：