[发明专利]基于十字交叉注意力的高分辨率遥感影像变化检测方法

说明书

本发明提供了基于十字交叉注意力的高分辨率遥感影像变化检测方法，属于遥感科学技术领域。包括以下步骤：采集高分辨率遥感影像变化检测数据集，将训练集高分辨率遥感影像变化检测数据集数据进行数据增强。构建变化检测模型，所述变化检测模型包括编码器、时空注意力模块和解码器；将训练集数据输入变化检测模型中编码器进行特征提取，获取相邻两时相多尺度地物特征图、，将多尺度地物特征图、输入时空注意力模块，得到特征、。将特征、通过金字塔池化模块处理，获取训练完成的变化检测模型。将测试集数据输入到训练完成的变化检测模型，获取检测结果。本发明提高了语义分割的效率，减少了计算资源的消耗。

技术领域

本发明涉及基于十字交叉注意力的高分辨率遥感影像变化检测方法，属于遥感科学技术领域。

背景技术

变化检测是遥感领域中的一个重要研究方向，它采用影像、图像处理方法及数理模型，结合地物特性和相应的遥感成像机理，在同一地表区域的多期遥感影像和相关地理空间数据中滤除作为干扰因素的不相干变化信息，进而找出感兴趣的变化信息。变化检测通过识别不同时期地面物体的影像变化，为城市规划和重建、环境监测、以及灾害评估等多领域提供了研究依据，具有广泛的应用场景。

随着深度学习技术的发展，基于深度学习的变化检测方法已经成为遥感影像变化检测研究热点。人们将其应用于高光谱影像的变化检测中使检测精度得到一定程度的提升。Wang等（2022)提出了一个名为Y-Net的端到端密集连接网络，该网络采用孪生结构进行多类变化检测。所提出的网络使用双流DenseNet在编码阶段提取双时间变化特征，并在解码阶段引入注意力融合机制以增强对变化特征的注意力。Chen等（2021)提出了一种新的方法，即双注意全卷积孪生网络，用于高分辨率图像中的变化检测。通过双注意机制，捕获长距离依赖性以获得更多的判别特征表示，以增强模型的识别性能。但是这些模型向模型中引入了较多参数，模型的复杂度大大提升，因此模型的精度较低，并且对模型的后续部署会造成一定影响。

总体来说，现有注意力方法不能有效地突出影像差异信息，并且不能很有效的突出感兴趣的语义信息，这在一定的程度上影响了检测精度的提升。

发明内容

本发明目的是提供了基于十字交叉注意力的高分辨率遥感影像变化检测方法，提高了语义分割的效率，减少了计算资源的消耗。

本发明为实现上述目的，通过以下技术方案实现：

步骤1：采集高分辨率遥感影像变化检测影像对和其对应的二值语义分割标签，得到高分辨率遥感影像变化检测数据集，获取同一地区两时相影像数据和地物变化标签数据。

步骤2：将高分辨率遥感影像变化检测数据集划分为训练集、验证集和测试集，对训练集数据进行数据增强。

步骤3：构建变化检测模型，所述变化检测模型包括编码器、时空注意力模块和解码器。

步骤4：将训练集数据输入变化检测模型中编码器进行特征提取，获取相邻两时相多尺度地物特征图、，所述编码器为去除最后池化层和全连接层的ESNET模型。

步骤5：将多尺度地物特征图、输入时空注意力模块，所述时空注意力模块包括十字交叉空间注意力模块和十字交叉时间注意力模块。

先将多尺度地物特征图、分别通过十字交叉空间注意力模块获取精化空间信息的多尺度空间特征图、。

再将精化空间信息的多尺度空间特征图、分别通过十字交叉时间注意力模块聚合横纵方向上和时空方向上的像素，得到特征、。

步骤6：将特征、通过金字塔池化模块处理，再通过双线性内插将宽高拉伸至和标签相同的尺寸，得到变化地物分割图，通过最小化最终张量和标签的损失训练该模型，并获取训练完成的变化检测模型。

步骤7：将测试集数据输入到训练完成的变化检测模型，获取检测结果。