CN119494830A 基于变化感知和语义引导的光学遥感图像变化检测方法、系统、存储介质和电子设备 （河南大学）

基于变化感知和语义引导的光学遥感图像本发明提出了一种基于变化感知与语义引数据输入CASGNet模型。通过编码器提取多尺度22.根据权利要求1所述的基于变化感知和语义引导的光学遥感图像变化检测方法，其D34；3.根据权利要求1所述的基于变化感知和语义引导的光学遥感图像变化检测方法，其34.根据权利要求1所述的基于变化引导和细化的光学遥感图像变化检测方法，其特征W'W'通过结合适应性权重和差异权重共同对原始特征进行加权得到最5.根据权利要求1所述的基于变化感知和语义引导的光学遥感图像变化检测方法，其46.根据权利要求1所述的基于变化感知和语义引导的光学遥感图像变化检测方法，其refine2＝bn(relu(refin双时态遥感图像经过预处理确保双时态数据的对齐和一致性后输入至编码被处理器执行时，使所述计算机可读存储介质所在设备执行权利要求1_6任意一项所述的处理器上运行的程序，所述处理器执行所述程序时实现如权利要求1_6任一所述的基于变56光学遥感图像中变化信息的感知能力成为变化检测领域新的突破。多种深度学习架构被应用于此类任务，卷积神经网络(ConvolutionalNeuralNetworks,CNN)利用卷积操作从输入图像中自动提取空间特征，适用于捕捉局部区域的纹[0004]本发明的目的是提供一种基于变化感知和语义引导的光学遥感图像变化检测方7[0006]一种基于变化感知和语义引导的光学遥感图像变化检测方法，包括以下几个步[0009]步骤C、将从步骤B中得到的变化标签图以及步骤A中预处理过的双时态光学遥感中进行双时态特征融合；首先通过通道和空间注意力机制计算双时态特征的自适应权重，；8[0029]其中W'c1和W'c[0030][0031]W'＝W'+W'9[0043]将步骤E1.3中得到的语义掩码与相邻两个尺度的差异特征一起输入到语义引导[0052]一种基于变化感知和语义引导的光学遥感图像变化检测[0053]双时态遥感图像经过预处理确保双时态数据的对齐和一致性后输入至编码器模著提升变化检测的性能，使模型在处理复杂场景和高分辨率图像时表现得更加准确和稳[0067]步骤C、将从步骤B中得到的变化标签图以及步骤A中预处理过的双时态光学遥感Y1[0072]实际使用时，将训练样本中的双时态光学遥感图像输入到步骤D中创建好的模型4。[0073]步骤E1.2、将上一步中得到的相同尺度的双时相特征图(如Xi和Yi对双时态特征分别进行空间和通道的最大池化与平均池化，以捕捉不同区域和层次的信[0082][0083]W'＝W'+W'[0095]将步骤E1.3中得到的语义掩码(mask)与相邻两个尺度的差异特征一起输入到语b。[0104]Conv代表卷积核为3的卷积块，通过对细化特征(refine2)进行卷积和Sigmoid映失的细节；所述损失函数的使用，本申请将二分类任务中常用的交叉熵损失结合形成混合损失L＝Lbce+Ldice以计算步骤H中得到的训练样本的双时态图像的预测变化图与对应的标签图之间的损失，其中yi,j表示对应标签图中像[0112]本专利发明中为了解决现有的变化检测方法训练出来的模型提取的变化区域不义信息来引导不同尺度的特征组合，同时增加的细化策略使变化区域的表达更加清晰完抑制背景中的冗余信息。该方法不仅结合不同尺度特征所蕴含的多层次空间和语义信息，还通过语义引导实现特征之间的深层次协同，有效提升了网络模型对变化区域的感知能[0113]大多数变化检测算法对变化区域整体特征的提取不够完整并且缺乏对变化目标息来指导多尺度特征的融合，通过语义引导模块来逐[0114]具体的，本申请所述的基于变化感知和语义引导的光学[0115]双时态遥感图像经过预处理确保双时态数据的对齐和一致性后输入至编码器模[0116]本申请实施例提供的一种基于变化感知和语义引导的光学遥感图像变化检测方[0119]本申请所述的电子设备集成的模块/单元如果以软件功能单元的形式实现并作为的CASGNet的有效性，选择了以下八种最先进的遥感图像变化检测方法与本发明方法进行[0122]Fully_Convolutional_Early_Fusion(FC_EF)：FC_EF[1]是基于U_Net架构提出渐传输到解码器以恢复空间信息。FullyConvolutional_Siamese_Concatenation(FC_像的特征，然后将来自编码器的相同级别的特征连接到解码器。FullyConvolutional_Siamese_Difference(FC_Siam_diff)与FC_Siam_conc不同，FC_Siam_diff[1]的跳跃连接像中不同区域之间的相关性。Changeformer[8]采用权重共享的Segformer_B4来提取多层并输入到UNet++中，最后使用集成通道注意模块(EnsembleChannelAttentionModule，ECAM)在多个语义级别上融合从主干网络获得的特征图，从而抑制定位错误和语义空缺。CGNet[10]通过深层先验特征图引导分层多尺度特征融合，并采用自注意力机制捕捉像素检测方法相比，在LEVIR_CD数据集、WHU_CD数据集、SYSU_CD数据集上至少分别提高了于变化感知和语义引导的变化检测方法通过该结合时空差分融合与语义引导的多尺度特[0134][1]DaudtRC,LeSauxB,BoulchA.Fullyconvolutionalsiamesenetworksforchangedetection[C]//201825thIEEEInternationalConferenceonImageProcessing(ICIP[0135][2]RonnebergerO,FischerP,BroxT.U_net:Convolutionalnetworksforbiomedicalimagesegmentation[C]//2015MedicalImageComputingandComputer_AssistedIntervention([0136][3]LiQ,ZhongR,DuX,etal.Trforchangedetectioninopticalremote_sensingimages[J].IEEETraGeoscienceandRemoteSensing,2022,60:1_19.[0137][4]ChenH,ShiZ.Aspatial_temporalattention_aasedmethodandanewdatasetforremotesensingimageChangeDetection[J].RemoteSensing,2020,12(10):1662.[0138][5]JiS,WeiS,LuM.FullyconvolutionalnetworksformultisourcebuildingextractionfromanopenaerialandsatelliteimageryTransactionsonGeoscienceandRemoteSensing,2019,57(1):574_586.[0139][6]ShiQ,LiuM,LiS,etal.Adeeplysupervisedattentionmetric_basednetworkandanopenaerialimagedatasetforremotesensingchangedetection[J].IEEETransactionsonGeoscienceandRemoteSensing,2021,60:1[0140][7]ChenH,QiZ,ShiZ.Remotesensingimagechangedetectionwithtransformers[J].IEEETransactionsonGeoscienceandRemoteSensing,2021,60:1_14.[0141][8]BandaraWGC,PatelVM.Atransformer_basedsiamesenetworkforchangedetection[C]//2022IEEEInternationalGeoscienceandRemoteSensing[0142][9]FangS,LiK,ShaoJ,etal.SNUNet_CD:AdenselyconnectedsiamesenetworkforchangedetectionofVHRimages[J].IEEEGeoscienceandRemoteSensingLetters,2021,19:1_5.[0143][10]HanC,WuC,GuoH,etal.Changeguidingnetwork:Incorporatingchangepriortoguidechangedetectioninremotesensingimagery[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2023,8395_8407.[0144][11]FengY,JiangJ,XuH,etal.Changedetectiononremotesensingimagesusingdual_branchmultilevel