CN116310776B 遥感影像建筑物变化检测方法、装置、设备及存储介质 （广州市城市规划勘测设计研究院有限公司）

本发明公开了一种遥感影像建筑物变化检将所述初始变化检测结果更新为最终变化检测2编码操作：采用孪生卷积神经网络对所述前后两时相影像进行特征提取和特征堆叠，优化操作：采用Adam优化算法对所述孪生卷积神经判断所述第i+1次损失值与所述第i次损化检测结果集合中的第N个检测结果确定为初所述根据所述组合损失函数对所述初始变化检测结果进行损失评价，得到第i次损失将所述真值图像集和所述变化检测结果集合分别按顺序对应，并根据多组不同尺度的卷积模块进行特征提取，并对上一组卷将所述不同尺度的特征沿着通道方向进行堆叠得到初始堆叠特征对所述训练后的初始特征进行激活，得到与当前的3根据长短时记忆网络、所述空间注意力特征网络和所述通道注将所述空间注意力特征、所述通道注意力特征和所述初始变化信沿着通道方向对所述初始变化信息进行全局均值池化操作，得将所述第一中间特征向量输入与所述长短时记忆网络对称的网络根据不同像素特征之间的位置对所述第二中间特征向量重新拼接编码模块，用于采用孪生卷积神经网络对所述前后两训练模块，用于采用长短时记忆网络对所述初始优化模块，用于执行优化操作：采用Adam优化算法对第二判断模块，用于执行差值判断操作：判断所述第i+1次4化检测结果集合中的第N个检测结果确定为初所述根据所述组合损失函数对所述初始变化检测结果进行损失评价，得到第i次损失将所述真值图像集和所述变化检测结果集合分别按顺序对应，并为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求18.一种计算机可读存储介质，其特征在于，所利要求1至5中任意一项所述的遥感影像建筑物变5门针对农村宅基地上村民自建房的研究，农村宅基地上村民自建房屋主要有房屋面积较6[0014]判断所述第i+1次损失值与所述第i次损失值的差值是否[0020]对所述训练后的初始特征进行激活，得到与当前的卷积模块对应的特征提取结[0027]将所述一维特征向量输入所述长短时记忆网络进行训练，得到第一中间特征向[0031]将所述切片后的特征输入所述长短时记忆网络进行训练，得到第二中间特征向[0036]将所述初始输出特征图与所述初始变化信息对应的特征图作差，得到特征差异述变化检测结果集合中的第N个检测结果确定为初始变化检7在设备执行上述中任意一项所述的遥感影像价，并结合Adam优化算法对所述孪生卷积神经网络和所述长短时记忆网络进行参数更新，8[0073]需要说明的是，本实施例采用python语言设计实现，采用的深度学习框架为9共享权重的卷积神经网络由二十层卷积模块组成，每个卷积模块由卷积层、Batch[0085]在本实施例中，特征提取模块的四组卷积模块的特征图大小依次为256*256*4,述组合损失函数对所述初始变化检测结果进行损失评价，得到第i次损失值。具体地，将[0106]为了降低训练过程中网络发生过拟合的可能，网络会加入正则化方法来进行优[0117]判断所述第i+1次损失值与所述第i次损失值的差值是否所述孪生卷积神经网络和所述长短时记忆网络进行500次优化更新后，才会考虑是否输出时的所述初始变化检测结果更新为建筑物的最终变化检测[0126]对所述训练后的初始特征进行激活，得到与当前的卷积模块对应的特征提取结[0132]然后，将不同尺度的特征沿着通道方向进行堆叠得到初始堆叠特征，表示为：再将初始堆叠特征沿着通道方向进行切片得到初始切片特征，括:[0164]将所述一维特征向量输入所述长短时记忆网络进行训练，得到第一中间特征向括:[0174]将所述切片后的特征输入所述长短时记忆网络进行训练，得到第二中间特征向[0183]接着，采用3*3的卷积层将二维空间压缩特征进行提取特征，得到过程向量：[0186]最后，将空间注意力特征和通道注意力特征[0191]将所述初始输出特征图与所述初始变化信息对应的特征图作差，得到特征差异述变化检测结果集合中的第N个检测结果确定为初始变化检[0195]通过将初始输出特征图DCset和与初始变化信息Fset对应大小的特征图作差，得到个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路[0226]所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行[0227]其中，所述终端设备集成的模块/单