本发明涉及遥感图像变化检测领域，具体涉及一种基于跨尺度、跨时间、多交互的特征融合预测变化图生成方法及装置。
背景技术：
1、变化检测是通过对比不同时间的场景图片来识别其状态变化的过程，通过遥感图像进行变化检测是对地球表面场景分析的重要途经，广泛应用于土地监测、环境保护、生态预警、疾病预防等领域。随着深度学习技术在各种计算机视觉任务中的巨大成功，基于深度学习的方法被引入变化检测中。
2、然而，由于场景中目标的复杂性，遥感图像的变化检测仍然具有挑战性。具有相同语义概念的对象可能在不同的时间和空间位置表现出不同的光谱特征，不同层级的特征信息在分辨率、感受野等方面具有不同的特点，全局信息和局部信息的获取存在着冲突。因此，从遥感图像中提取出的特征融合还不够深入，遥感图像变化检测的结果还存在着诸多问题。
3、因此，为了提高变化检测识别的准确性，需要一种可靠的特征融合方法来尽可能融合双时间图像中蕴含的信息，包括跨尺度、跨空间、跨时间的特征融合，让双时间图像的特征信息在融合网络中得到充分的比对。
4、根据检测单元的不同，变化检测的方法可以根据基于像素级、特征级、目标级和三维目标级进行分类。目前，基于深度学习的变化检测方法得到迅速发展，它可以从原始的遥感图像中提取出多层次、抽象的特征，并仿照人类的注意力机制进行各种关注，实现特征融合，克服传统变化检测方法的一些局限性。
技术实现思路
1、针对上述提到的技术问题。本技术的实施例的目的在于提出了一种跨尺度、多注意的跨空间、跨时域的特征融合变化图生成方法及装置，来解决以上背景技术部分提到的技术问题。
2、第一方面，本发明提供了一种用于遥感图像变化检测的交互特征融合方法，包括以下步骤：
3、s1，提取遥感图像的多尺度特征，将提取的图像特征进行重新排列，让重排后的每一组特征都涵盖了不同的尺度；
4、s2，将重新排列后的每一组不同尺度的特征进行全局跨尺度特征交互注意力融合，让不同尺度的特征信息进行全局交互，高低层特征互补，同时捕获全局信息；
5、s3，将两组不同时间交互的特征组分别进行空间交互注意力融合和维度交互注意力融合，前者侧重于捕获双时间特征中的位置信息，提高整体表现力和泛化能力，后者用于强调重要的维度，突出特征的重要性和表达能力；
6、s4，将两组融合特征信息进行局部交互注意力融合，用以弥补由于上述处理中分组导致的组件交互不足，同时增强局部注意，识别重要信息；
7、s5，进行特征融合处理，生成双时间遥感图像的预测变化图。
8、作为优选，使用深度卷积神经网络提取双时间遥感图像的特征，通过卷积操作从输入图像中提取出各种特征，而卷积层有多个卷积核，并且每个卷积核可以产生一个输出通道，从输出通道可以得到不同中尺度的特征图。
9、作为优选，特征提取模块包括依次连接的第一层卷积层、第二层卷积层、第三层卷积层、第四层卷积层、第五层卷积层、第六层卷积层。第一层卷积层为32个3×3的卷积核，步长为2，第二层卷积层的64个大小为3×3的卷积核，步长为2，第三层卷积层为128个3×3的卷积核，步长为2，第四层卷积层为256个5×5的卷积核，步长为1，第五层卷积层为512个5×5的卷积核，步长为1，第六层卷积层为1024个5×5的卷积核，步长为1。
10、进一步地，所述得到的多尺度特征表示为：
11、
12、
13、作为优选，全局跨尺度交互注意模块采用一种自上而下和自下而上相结合的方式，全局注意的过程能够获取特征图中的全部信息，这其中包含着关键的、决定性的信息，这些信息对于后期特征差异的对比有着重要作用。
14、作为优选，全局注意的实施可以根据实际的部署场景进行优化调整，其核心思想就是计算各个向量的得分，以获取长距离的依赖信息。
15、
16、
17、
18、
19、其中ct是上下文向量，xt是解码的隐藏状态，xs是s时刻的隐藏状态，是s时刻编码的隐藏状态，是注意力隐藏状态，vα、wα和wc是经过训练的参数矩阵。
20、作为优选，空间交互注意力融合模块和维度交互注意力融合模块采用相似的结构，空间注意主要处理特征中的空间数据，捕捉特征中不同空间位置之间的关系，并且空间注意能够实现对特征的加权，这可用于可视化和解释模型的决策过程；维度注意对不同维度的特征图进行加权，各个维度被加权系数赋予了不同的关注度，这可以解决通道的不平衡和信息丢失问题。将双时间图像的特征交互送入到设计的空间和维度融合模块中进行处理，实现跨时域的特征融合。
21、作为优选，非局部交互注意力融合弥补了两组特征信息之间的交互和增强了对特征中全局信息的关注，与全局交互注意力融合不同的是，非局部交互注意力融合基于长距离的依赖关系计算每个位置与其他位置之间的相似关系来获取全局信息。
22、
23、zi＝wzyi+xi
24、其中x是输入信号，y是输出信号，f(·)是对比函数，c(x)是归一化函数，wz是卷积操作，zi是非局部注意模块的输出。
25、将输入的张量展开和经过卷积层，获得三个向量φ，θ，g，接下来将θ和g重排得到θt和gt，使用φ和θt计算注意力，得到注意力图a，最后计算gt与a的相关性。
26、
27、作为优选，将这两个交互融合特征送入线性层，线性层对其进行线性变换，可以提取重要信息，在交互融合特征中学习的权重系数矩阵可以让生成的变化图更具有区分性，而且通过线性层后将其送到激活函数softmax之后做差减能够得到预测结果。
28、第二方面，本发明提供了一种用于遥感图像变化检测的交互特征融合装置，包括：
29、特征提取模块，被配置为通过不同深度的卷积神经网络提取双时间遥感图像中的多尺度特征信息。
30、跨尺度多交互特征融合模块，被配置为构造融合模块，将不同时域提取出的多尺度特征信息进行交互融合，将全局交互、空间交互、维度交互、非局部交互级联，让跨时域跨尺度的局部信息和全局信息交互，生成融合特征。
31、变化检测预测图生成模块，被配置为将生成的融合特征送入线性层进行线性变换提取重要信息，经激活函数处理后得到预测结构。
32、第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
33、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
34、相比于现有技术，本发明具有以下有益效果：
35、(1)本发明使用一种用于遥感图像变化检测的交互特征融合方法解决了遥感图像变化检测方法融合信息单一、融合不充分的问题；
36、(2)本发明构建了跨尺度的全局交互注意，联合表示跨尺度信息的全局注意融合，捕获局部信息之间的全局联系，实现对重要信息的聚焦；
37、(3)本发明构建了跨时域的空间交互注意和维度交互注意，联合表示输入特征信息的空间交互和维度交互，捕获不同空间之间的位置关系和不同维度的重要性，实现对跨时域信息的多交互融合。