CN119169478B 一种结合注意力机制和Mamba的耕地非农化检测方法 （吉林农业大学）

号一种结合注意力机制和Mamba的耕地非农化一种结合注意力机制和Mamba的耕地非农化地非农化检测时存在检测结果由于成像条件的双时相图像的时空依赖关系，从而提高模型性2所述多尺度特征提取模块采用基于状态空间模型SSM的Mamba网络作所述交叉注意力模块对所述T1时相特征图和T2时相特征图进行交叉计算输出双时相所述二值化变化检测模块对所述T1时相特征图和T2时相特征图在通道维度上进行拼所述分类器模块将所述特征图out1和特征图out2的通道数从128映射到非农化分类任所述上采样模块通过双线性插值操作将二值化掩膜和两个特征图的尺寸扩展到与T1所述特征提取器包括图像块嵌入操作块，四层SSM块以及三个SAM块；用采用图像块嵌入操作块将原始的二维图像展平成一维向量，采用四层SSM块提取图像中步骤四、将步骤二增强后的数据输入到步骤三所述耕地步骤五、采用所述非农化检测数据集中的测试集，将经2.根据权利要求1所述的一种结合注意力机制和M3.根据权利要求1所述的一种结合注意力机制和34.根据权利要求3所述的一种结合注意力机制和Mamba的归一化处理得到注意力权重通过矩阵乘法将值Vi1和注意力权重相乘，获得注意力加权特5.根据权利要求1所述的一种结合注意力机制和将SSM结构多尺度特征提取模块输出的T1时相特征图与T2时相特征图输入二值化变化检测模块中，通过拼接操作将所述T1时相特征图与T2时相特征图在通道维度上进行拼接，6.根据权利要求1所述的一种结合注意力机制和Mamv127.根据权利要求1所述的一种结合注意力机制和将经过二值化变化检测模块的特征图F输入到二值化分类器中，经二值化后输出二值将经过交叉注意力模块的双时相特征对应输出到两个类别分类器中，类器将输出的特征图out1和特征图out2的通道数从128映射到非农化分类任务中的类别数4[0001]本发明涉及变化检测技术领域，具体是一种结合注意力机制和曼巴(Mamba)的耕[0003]耕地非农化行为不仅影响了耕地资源的有效利用，也对粮食生产安全构成威些年来，随着深度学习领域的不断发展以及深度学习在图像处理领域出色的特征提取能图像都配有一个独立的编码器解码器，分别提取图像的特征并通过解码器进行融合和分权重共享的孪生网络对两个时相的图像分别进行特征提取时忽略了不同时相之间的交互5[0009]本发明提供一种结合注意力机制和Mamba的耕地非农化检测方法，以解决上述背[0014]步骤四、将步骤二增强后的数据输入到步骤三所述耕地堆叠注意力模块获取更具辨别力的特征，对遥感图像变化区域边缘模糊的问题有很大改[0020]图1为本发明所述的一种结合注意力机制和Mamba的耕地非农化检测方法的流程6[0021]图2为本发明中方法中基于注意力机制和Mamba的耕地非农化检测网络模型的原[0022]图3为基于注意力机制和Mamba的耕地非农化检测网络模型中多尺度特征提取模[0023]图4为基于注意力机制和Mamba的耕地非农化检测网络模型中SSM块的结构示意[0024]图5为基于注意力机制和Mamba的耕地非农化检测网络模型中堆叠注意力模块的[0025]图6为基于注意力机制和Mamba的耕地非农化检测网络模型中交叉注意力模块的[0027]结合图1至图7说明本实施方式，一种结合注意力机制和Mamba的耕地非农化检测[0035]所述SSM结构多尺度特征提取模块使用基于状态空间模型(StateSpSSM)的Mamba网络作为特征提取器，使用两个权重相同的网络结构接收双时相遥感影像的7然后通过二维选择性扫描层(2DSelectiveScanLayer)进一步提取特征，在线性复杂度[0042]为了实现计算的易处理性和与数据采样率的一致性，这些连续方程必须离散化、8相似度分数，将得到的相似度分数通过softmax函数进行归一化处理得到注意力权重接操作将两个输入在通道维度上进行拼接，然后通过残差模块对特征图进行下采样操作。[0061]如图6所示，同时将通过多尺度特征提取模块的T1时相特征图与T2时相特征图输v29F12＝Wk2F22＝Wq2F22＝Wv2F2；[0063]使用值v2和注意力权重Energy1计算F1的加权特征并输入到注意力层AttentionLayer1中，再使用值v1和注意力权重Energy2计算F2的加权特征并输入到注意力层[0066]将经过二值化变化检测模块的特征图F输入到二值化分类器中，所述二值化分类[0068]所述上采样模块中通过双线性插值操作将二值化掩膜和两张特征图的尺寸扩展[0074]Lbce为二元交叉熵损失(BinaryCross_EntropyLoss,Lbce)是一种在二分类问题[0076]Lsca为语义协同对齐损失(SemanticChangeAlignment,Lsca)是一种用于衡量预测fo,joy)-(1-a)-cos(jo(l1-),(j2o(l-))[0078]Lce为多元分类交叉熵损失(CategoricalCross_EntropyLoss,Lce)是一种用于pp述耕地非农化检测网络模型采用四个评价指标，分别为F1分数(F1