CN119418203A 基于差异增强Swin Transformer的遥感图像变化检测方法 （河海大学）

号基于差异增强SwinTransformer的遥感图2(4)步骤(2)中的差异增强模块(DEM)，主要用于在不同层级上增强双时相遥感图像间2.根据权利要求1的基于差异增强SwinTransformer的遥感图像变化检测方法，步骤(1.1)构建遥感变化检测图像数据集Image'-[Image',…,Image',…,Image;:](j＝1,(1.2)将数据集按照一定比例划分为训练集Train、N1+N2+N3＝N。3.根据权利要求1的基于差异增强SwinTransformer的遥感图像变化检测方法，步骤(3.1)构建输入层，在该层中将双时相遥感图像裁成若干个256×256×3大小的图像364x96大小的特征图；32x192大小的特征图；16x384大小的特征图。4.根据权利要求1的基于差异增强SwinTransformer的遥感图像变化检测方法，步骤(4.2)假设X1,X2为DEM模块的两个输入，经过上分支处理后，可以得到上分支差异图其中，conv3x3表示3x3大小的卷积层，表示逐像素相减操作，O表示逐像素相乘操其中，GAP_w表示沿着宽度方向的全局平均池化操作，GAP_h表(4.5)将步骤(3.3)(3.6)输出的双时相特征图，分别输入到对应的差异增强模块5.根据权利要求1的基于差异增强SwinTransformer的遥感图像变化检测方法，步骤6.根据权利要求1的基于差异增强SwinTransformer的遥感图像变化检测方法，步骤4(6.1)特征权重融合模块(FWFM)包含基础融合模块(BFM)和交互融合模块(IFM)两部分7.根据权利要求1的基于差异增强SwinTransformer的遥感图像变化检测方法，步骤(7.2)为了减轻样本不平衡的影响，采用dice损失函数作为整个网络的第二种损失函5基于差异增强SwinTransforme[0005]Fang等人2022年在IEEEGeoscienceandRemoteSensingLetters上发表论文“SNUNet_CD:ADenselyConnectedSiameseNetworkforChangeDetectionofVHR于深层次特征的提取，忽视了浅层细粒度信息，导致变化检测在边缘像素等微小部分上的不确定性。[0008](2)各个层次特征对差异特征判别的贡献不均衡：现有很多变化检测网络可以产6[0010]发明目的：针对现有技术中存在的问题，本发明提供一种基于差异增强Swin[0015](4)步骤(2)中的差异增强模块(DEM)，主要用于在不同层级上增强双时相遥感图[0016](5)步骤(2)中的SwinTransformer模块(STM)，主要用于对全局上下文信息进行[0017](6)步骤(2)中的特征权重融合模块(FWFM)，主要用来有效聚合多层级特征差异[0019](8)将测试集输入到训练好的最优模型中，对未变化区域和变化区域进行分类鉴[0021](1.1)构建遥感变化检测图像数据集Image'-[Image',…,Image',…,Image;](jLabel'-[Labe'….Label',….Labe⃞;],其中，N表示有N对双N1+N2+N3＝N。78[0046](6.1)特征权重融合模块(FWFM)包含基础融合模块(BFM)和交互融合模块(IFM)两[0048](6.3)将output1和output2进行融合得到FWFM的[0055](7.2)为了减轻样本不平衡的[0062](1)本发明方法在提取的同一层级双时相特征中，采用了融合注意力机制的差异9[0064](3)本发明方法设计的特征权重融合模块(FWFM)，在上采样过程中加强了不同尺[0071](1.1)构建遥感变化检测图像数据集Image'-[Image',…,Image',…,Image;:](j=1,2)，并制作相应的标签集Label'-[Labey',…Label',….Labe:],其中，N表示有N对双公共数据集DSIFN_CD上进行实验，该数据集包含各种土地覆盖对象的变化，共394个图像Tesr'[Tesx',…,Tesr',…,Tesra],N1+N2+N3＝N。本发明中训练集、验证集和测试集[0096](6.1)特征权重融合模块(FWFM)包含基础融合模块(BFM)和交互融合模块(IFM)两[0098](6.3)将output1和output2进行融合得到FWFM的[0105](7.2)为了减轻样本不平衡的[0113]Fang等人在“SNUNet_CD:ADenselyConnectedSiameseNetworkforChange[0115]表1是三种方法在高分遥感场景图像公共