基于混合空间-频率专家的深度学习遥感变化检测方法技术

本发明专利技术涉及一种基于混合空间‑频率专家的深度学习遥感变化检测方法，包括：选用孪生ConvNeXt网络为空间域专家，提取双时影像粗‑细的空间域局部差异特征；选用孪生离散小波变换为频率域专家，提取双时影像高‑低频率域全局差异特征；聚合对应尺度局部‑全局的空频特征，构建多尺度的混合空频单体特征；设计随机混合空频单体融合模块，随机选不同空频特征进行融合并增强互补性，根据贡献权重，激活有效融合；随机选择混合空频单体以形成群体并进行概率化加权，自适应选择最优群体；构建轻量解码器，将增强的多尺度空频特征逐步恢复到原始图像的分辨率。本申请实现了跨域特征的互补优化，减少了无效参数，提高了遥感变化检测精度与速度。

【技术实现步骤摘要】

本专利技术涉及遥感变化检测领域，尤其是涉及一种基于混合空间-频率专家的深度学习遥感变化检测方法。

技术介绍

1、变化检测是遥感领域中的一个重要应用。基于遥感技术能够在大尺度范围内精确地实现地面要素时空动态变化信息的获取，包括：建筑变化、水域变化、耕地变化、道路变化等，对于灾后评估、环境监测等具有重要意义。

2、随着深度学习的发展，深度神经网络已逐渐成为变化检测的主流方法，与传统的影像差分等方法相比，深度神经网络能够自动学习遥感影像中的空间和时间维度的高维抽象特征，从而有利于提高变化检测的准确性和鲁棒性。

3、当前基于深度神经网络的变化检测的主流方法包括以下两种：

4、(1)基于空间域的深度神经网络

5、这类方法主要依赖卷积神经网络、transformer、mamba等架构通过在空间域提取深度特征，而获取卓越的视觉表征能力。遥感地物具有显著的尺度效应，当前研究通常采用多尺度特征融合的方式来进一步提高遥感地物提取的鲁棒性和泛化性。特别是，细尺度特征利于刻画空间细节，而粗尺度特征善于描述地物语义信息，因此，通过融合本文档来自技高网...

【技术保护点】

1.基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于：所述S1包括以下步骤：

3.根据权利要求1所述的基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于：所述S2包括以下步骤：

4.根据权利要求1所述的基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于：所述S3为：

5.根据权利要求1所述的基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于：所述S4包括随机混合空频单体融合模块，通过融合不同频谱频率...

【技术特征摘要】

1.基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于：所述s1包括以下步骤：

3.根据权利要求1所述的基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于：所述s2包括以下步骤：

4.根据权利要求1所述的基于混合空间-频率专家的深度学习遥感变化检测方法，其特征在于：所述s3为：

5.根据权利要求...

【专利技术属性】
技术研发人员：张鹏飞，孙雷刚，王钦艺，周成虎，郝庆涛，左璐，鲁军景，刘剑锋，黄亚云，
申请(专利权)人：河北省科学院地理科学研究所，
类型：发明
国别省市：