[发明专利]基于高效注意力的轻量级光学遥感图像变化检测方法

说明书

本发明公开了一种基于高效注意力的轻量级光学遥感图像变化检测方法，包括如下步骤：首先，对光学遥感图像进行预处理，得到对应的变化标签图；然后对其进行切割得到训练样本；再将双时相图像进行串联后通过FOCUS模块、深度残差块、轻量级注意力模块以得到精细化的不同尺度特征图，随后利用多尺度特征融合模块对得到的多幅特征图进行聚合以生成变化图；待训练结束后，将模型的所有参数信息保存下来；最后将经过预处理的待测样本输入至变化检测模型中，经计算输出检测结果图。本发明方案利用FOCUS下采样层、能够扩大感受野的深度残差卷积块、高效的注意力机制和多尺度特征融合模块以更少的参数和计算量实现变化区域的提取。

技术领域

本发明涉及光学遥感图像变化检测领域，尤其涉及一种基于高效注意力的轻量级光学遥感图像变化检测方法。

背景技术

遥感图像变化检测是利用同一地区不同时间采集的两幅或多幅遥感图像进行比较分析获得变化信息的技术。不同领域对于变化的定义不同，如农业调查、森林监测、城市扩张和灾害评估。近年来，随着卫星遥感技术以及计算机视觉技术的迅速发展，遥感图像变化检测正成为一个活跃的研究课题。

随着计算机技术的快速发展以及高分辨率光学遥感图像数据集的不断增加，国内外学者提出了许多基于深度学习的变化检测方法。基于深度学习的变化检测方法具有非线性特征和出色的特征提取能力，从原始图像中预测像素分类图和高度语义抽象的空间上下文，模糊了传统基于像素和基于对象的方法之间的边界，可以更好地理解复杂场景。基于深度学习的变化检测方法不需要图像预处理，不仅减少了人工干预，而且避免了由于预处理而导致的错误，因此，基于深度学习的遥感图像变化检测方法在解决遥感图像变化检测问题方面的使用呈指数增长。目前主流的基于深度学习的变化检测方法可以大致分为两类：基于卷积神经网络(Convolutional Neural Network,CNN)的变化检测方法和基于Transformer的变化检测方法。CNN凭借其强大的特征学习能力而在深度学习中被广泛使用。近年来，已经提出了许多基于CNN的变化检测方法[1]-[7]。自注意力机制[8]被广泛应用于自然语言处理领域以寻找输入中不同部分之间的相关性。Vision Transformer[9]和Swin Transformer[10]将自注意力机制引入到计算机视觉领域并加以改进。基于自注意力机制和Transformer的网络通过非局部自我注意对输入特征图的全局距离进行建模。基于此，许多学者将其引入到变化检测领域中以获得更好的变化检测性能[11-13]。

然而，基于CNN和Transformer的深度学习变化检测方法仍然存在着一些问题。简单的模型[1-2,7]参数量小、推理速度快，但是其变化检测的性能低，无法满足精准识别变化区域的要求。复杂的模型[3-6,11-13]使用更多的模块、更庞大的结构和更复杂的训练过程使得变化检测能力大幅提高，然而也导致模型参数量高、推理速度缓慢，限制了其应用于大规模遥感图像处理、工业领域或需要实时性能的应用。

发明内容

本发明的目的是提供一种基于高效注意力的轻量级光学遥感图像变化检测方法，能够以0.88MB的参数量和4.75ms的推理速度实现更好的变化检测性能。

本发明采用的技术方案为：

A、将双时相光学遥感图像依次进行正射校正、图像配准、图像拉伸以及图像数值归一化预处理，从而得到数据分布一致的遥感图像；

B、将步骤A中得到的经过预处理后的双时相光学遥感图像，标注遥感图像中更新的部分，得到对应的变化标签图；

C、将从步骤B中得到的标签图以及步骤A中得到的经过预处理后的双时相光学遥感图像，采用同一尺寸对其进行切割，得到训练样本；

D、将训练样本中的双时相遥感图像进行串联；

E、串联的图像对通过FOCUS模块进行下采样，再将下采样后的特征图输入进深度残差块(Depthwise Residual Block，DRB)进行编码从而提取与变化区域相关的特征图；