本发明涉及遥感图像变化检测,特别是涉及一种基于信道偏置分裂注意力的连体遥感变化检测网络。
背景技术:
1、目前,遥感技术快速发展,可获得的遥感图像分辨率越来越高,为遥感相关技术提供了更加丰富的信息。面对高分辨率的遥感图像时,采用传统的人工分析方法,不仅效率低下、精度不稳定、成本较高,而且缺乏自动化和智能化,无法应对大规模和高效率的检测要求。因此,国内外的相关工作人员也提出了大量的变化检测算法。高分辨率遥感图像为研究提供了更加丰富的地物信息、更加复杂的场景,同时也对变化检测算法提出了更高的要求。高分辨率图像中包含的丰富信息导致了变化检测过程中可能受到的干扰更多、产生的冗杂信号更多,这对变化检测算法的鲁棒性是一种考验。另外,不同时间的遥感图像在获取时必然会受到当时的季节、太阳高度和天气环境的影响,从而导致出现伪变化,对变化检测的精度产生负面影响。其次,变化目标的大小和形状的多样性往往会影响检测的准确性和效率。
2、目前的检测方法存在以下问题:1、变化检测的目标大小的多样性影响检测精度。由于目前采用的卷积神经网络或者变换器方法,卷积神经网络受限于感受野的大小,容易忽视部分信息,变换器着重于全局信息的建模,很容易忽视细节信息;2、参数量问题。遥感变化检测本质上是一个二值密集预测问题,为了确保在决策时没有遗漏信息,往往卷积神经网络需要很深的网络保证有足够的感受野,而变换器与序列长度二次相关,从而导致变换器的方法参数量通常较大;3、削弱不同环境条件影响。不同时间的遥感图像在获取时必然会受到当时的季节、太阳高度和天气环境的影响,从而导致出现伪变化,双时相图像直接融合语义特征易产生歧义,尤其是浅层的语义信息,从而导致伪变化被误以为真实变化。因此,研究一种高效率、高准确率的变化检测方法具有很重要的现实意义和应用价值。
技术实现思路
1、为了解决上述现有技术中的不足,本发明的目的是提供一种基于信道偏置分裂注意力的连体遥感变化检测网络,在编码器和解码器阶段均采用了信道偏置分裂注意力模块,以获得更加精准的语义信息,并在浅层网络使用跨时融合模块,削弱了伪变化信息对变化预测的影响。
2、本发明解决其技术问题所采用的技术方案为:
3、提供了一种基于信道偏置分裂注意力的连体遥感变化检测网络,包括:
4、编码器阶段,使用孪生网络来提取双时相遥感图像的特征,其方法为使用一个多尺度浅层特征提取模块粗略的提取图像的浅层特征,在浅层特征提取模块之后,使用四个特征提取层,每个特征提取层仅由两个信道偏置分裂注意力模块组成;
5、融合阶段,融合双时相图像特征,突出双时相图像中的差异信息,其方法为前两个阶段使用融合器,通过强化单侧信息,抑制伪变化信息;
6、解码器阶段,恢复由编码器下采样得到的图像特征从而得到最终的预测图,其方法为使用信道偏置分裂注意力模块构建一个与编码器基本对称的解码器,得到预测结果。
7、进一步的,所述浅层特征提取模块主要由一个7×7传统卷积、一个7×7的深度可分离卷积以及一个1×1的卷积组成,并且应用跳跃连接策略,应对可能存在的梯度消失。
8、进一步的,所述解码器分为五个阶段,前四个阶段中,每个阶段首先使用一个上采样层,接收上一阶段的特征对它进行上采样操作,然后和编码器相对应的阶段的双分支融合特征级联,最后输入信道偏置分裂注意力模块中恢复图像特征;在最后阶段使用点卷积将特征图通道压缩为2,并使用softmax激活函数得到预测结果。
9、进一步的,所述道偏置分裂注意力模块中,首先将输入特征经过卷积核为1的卷积层调整维度,然后将经过维度调整后的特征进行分组,分为两组,第一组特征经过一个卷积核为3的卷积层,第二组也经过一个卷积核为3的卷积层,之后接收来自第一组特征并通过逐元素加法融合两组特征,并再次送入一个卷积核为3的卷积层,之后,将得到的特征再次与第一组特征融合,通过全局池化得到对第一组和第二组的权重。
10、进一步的,得到的权重会分别对第一组特征和第二组特征加权处理,并再次元素相加融合,此后,对合并的特征进行卷积核为1的卷积操作;
11、将原特征进行卷积核为1的卷积操作,得到的结果与经过处理之后的结果,通过元素相加的方式融合到原特征中。
12、进一步的,在编码器提取双时相遥感图像特征后,为了降低浅层特征中伪变化信息的影响,在浅层网络中使用跨时融合模块。
13、进一步的,所述跨时融合模块具体公式表达如下:
14、
15、
16、
17、
18、
19、其中,conv3×3(·)表示卷积核大小为3的卷积层;fi1和fi2分别表示双时相图像在第i层提取的特征;cat(·)表示串联操作;relu(·)表示激活函数
20、与现有技术相比,本发明的有益效果在于:
21、1、本发明示例的基于信道偏置分裂注意力的连体遥感变化检测网络,在编码器和解码器阶段均采用了信道偏置分裂注意力模块,信道偏置分裂注意力模块融合多尺度感受野提取的信息增强信息感知能力,并使用非线性变换为输出特征增加可变化的偏置,从而获得更加精确的语义信息;
22、2、本发明示例的基于信道偏置分裂注意力的连体遥感变化检测网络,在浅层网络使用跨时融合模块,跨时融合模块通过融合浅层信息,削弱了伪变化信息对变化预测的影响。
1.基于信道偏置分裂注意力的连体遥感变化检测网络,其特征在于,包括:
2.根据权利要求1所述的基于信道偏置分裂注意力的连体遥感变化检测网络,其特征在于,所述浅层特征提取模块主要由一个7×7传统卷积、一个7×7的深度可分离卷积以及一个1×1的卷积组成,并且应用跳跃连接策略,应对可能存在的梯度消失。
3.根据权利要求1所述的基于信道偏置分裂注意力的连体遥感变化检测网络,其特征在于,所述解码器分为五个阶段,前四个阶段中,每个阶段首先使用一个上采样层,接收上一阶段的特征对它进行上采样操作,然后和编码器相对应的阶段的双分支融合特征级联,最后输入信道偏置分裂注意力模块中恢复图像特征;在最后阶段使用点卷积将特征图通道压缩为2,并使用softmax激活函数得到预测结果。
4.根据权利要求1所述的基于信道偏置分裂注意力的连体遥感变化检测网络,其特征在于,所述道偏置分裂注意力模块中,首先将输入特征经过卷积核为1的卷积层调整维度,然后将经过维度调整后的特征进行分组,分为两组,第一组特征经过一个卷积核为3的卷积层,第二组也经过一个卷积核为3的卷积层,之后接收来自第一组特征并通过逐元素加法融合两组特征,并再次送入一个卷积核为3的卷积层,之后,将得到的特征再次与第一组特征融合,通过全局池化得到对第一组和第二组的权重。
5.根据权利要求4所述的基于信道偏置分裂注意力的连体遥感变化检测网络,其特征在于,得到的权重会分别对第一组特征和第二组特征加权处理,并再次元素相加融合,此后,对合并的特征进行卷积核为1的卷积操作;
6.根据权利要求1所述的基于信道偏置分裂注意力的连体遥感变化检测网络,其特征在于,在编码器提取双时相遥感图像特征后,为了降低浅层特征中伪变化信息的影响,在浅层网络中使用跨时融合模块。
7.根据权利要求6所述的基于信道偏置分裂注意力的连体遥感变化检测网络,其特征在于,所述跨时融合模块具体公式表达如下: