[发明专利]一种基于深度孪生神经网络的冰川变化遥感检测方法

权利要求书

1.一种基于深度孪生神经网络的冰川变化遥感检测方法，其特征在于包括以下步骤：

步骤A：对双时相冰川遥感影像进行预处理，得到冰川变化检测的训练数据；

步骤B：将所述双时相训练数据输入至深度孪生神经网络，通过“卷积+全局信息增强模块”后获得训练的深度孪生神经网络；

步骤C：将双时相冰川遥感影像数据输入至训练后的深度孪生神经网络，获得冰川变化检测二值预测图像，将获得的冰川变化检测二值预测图像矢量化，得到冰川变化区域矢量图。

2.根据权利要求1所述的一种基于深度孪生神经网络的冰川遥感影像变化检测方法，其特征在于，所述步骤A具体包括如下步骤：

步骤A1：将所述遥感影像进行几何校正与辐射校正，得到校正后的双时相冰川遥感影像(图A4a、A4b)；

步骤A2：将校正后的双时相冰川遥感影像进行感兴趣区域标注，得到标注后的双时相冰川遥感影像标签图(图A5a、A5b)，将两幅双时相冰川遥感影像标签进行交集取反操作，得到冰川变化区域标签图(图A5c)；

步骤A3：对所述的冰川变化区域标签图进行图像裁剪(图A6a，图A6b)，并按照8:2的比例划分训练数据与测试数据。

3.根据权利要求1所述的一种基于深度孪生神经网络的冰川遥感影像变化检测方法，其特征在于，所述步骤B具体包括如下步骤：

步骤B1：将步骤A所述训练数据输入编码器的第一层卷积层(其中卷积层的卷积核大小为3×3，数量为24)和最大池化下采样，获得特征图P₀、B₀；

步骤B2：步骤B1所述特征图P₀、B₀经过最大池化后再利用编码器第二层的卷积层(其中卷积层的卷积核大小为3×3，步长为1，数量为48)生成特征图P₁、B₁；

步骤B3：步骤B2所述特征图P₁、B₁经过最大池化后再利用编码器第三层的卷积层(其中卷积层的卷积核大小为3×3，步长为1，数量为64)生成特征图P₂、B₂；

步骤B4：步骤B3所述特征图P₂、B₂经过最大池化后再利用编码器第四层的卷积层+全局信息增强模块(其中卷积层的卷积核大小为3×3，步长为1，数量为160)，生成特征图P₃、B₃；

步骤B5：步骤B4所述特征图P₃、B₃经过最大池化层后再利用编码器第五层的卷积层(其卷积层的卷积核大小为3×3，步长为1，数量为256)生成特征图P₄、B₄；

步骤B6：编码器生成的特征图P₄、B₄首先通过解码器的“卷积+上采样”操作提高空间分辨率，将提升分辨率后的特征图B₄与编码器生成的特征图B₃拼接得到特征图B₄₃、P₄与编码器生成的特征图P₃拼接得到特征图P₄₃，将特征图B₄₃与特征图P₄₃逐像素相减，经卷积上采样后生成变化特征图D₁；

步骤B7：编码器生成的特征图P₃、B₃首先通过解码器的“卷积+上采样”操作提高图像分辨率，将提升分辨率后的特征图B₃与编码器生成的特征图B₂拼接得到特征图B₃₂，P₃与编码器生成的特征图P₂拼接得到特征图P₃₂，将特征图B₃₂与特征图P₃₂逐像素相减，经卷积上采样后生成变化特征图D₂；

步骤B8：编码器生成的特征图P₂、B₂首先通过解码器的“卷积+上采样”操作提高图像分辨率，将提升分辨率后的特征图B₂与编码器生成的特征图B₁拼接得到特征图B₂₁，P₂与编码器生成的特征图P₁拼接得到P₂₁，将将特征图B₂₁与特征图P₂₁逐像素相减，经卷积上采样后生成变化特征图D₃；

步骤B9：将所述特征图D₁，D₂与D₃加权求和后(加权公式为D＝αD₁+βD₂+γD₃，其中α、β、γ为加权系数，由网络模型通过反向传播自动学习调整，加权系数变化曲线如图A6c所示)经过“卷积+上采样”操作，其卷积核大小为3×3，步长为1，数量为2，生成冰川变化区域二值图(图A6d)；

步骤B10：对步骤B9所获得的冰川变化区域二值图，利用冰川变化区域二值标签图与之计算损失函数，通过误差反向传播使网络收敛，获得训练后的网络模型。