(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211112588.0 (22)申请日 2022.09.13 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 王雄飞　胡小平　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 唐品利 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 遥感影像变化检测方法、 装置、 计算机设备 和存储介质 (57)摘要 本申请涉及遥感数据处理技术领域的一种 遥感影像变化检测方法、 装置、 计算机设备和存 储介质。 所述方法中构建的用于遥感影像变化检 测的孪生神经网络包括两条由结构和参数均相 同的DeepLabv3+模型的骨干网络、 ASPP模 块以及 双重注意力模块组成的特征提取支路， 输出网 络， 本网络模型采用了残差连接、 双注意力机制 等一系列先进的网络模块， 可以有效增强网络的 特征表达能力， 模型训练时的各种数据增强进一 步增强了网络对色彩变化、 阴影遮挡等因素的抗 干扰能力， 提高了模型的泛化能力， 使得变化检 测模型可以稳定、 鲁棒地对有效地物变化进行高 层次语义特征表达， 实现对地形要素的高质量变 化检测。 权利要求书3页 说明书13页 附图3页 CN 115457390 A 2022.12.09 CN 115457390 A 1.一种遥感影 像变化检测方法， 其特 征在于， 所述方法包括： 获取不同时间覆盖同一地区的两个多源遥感影像， 并对所述多源遥感影像进行标注， 并对标注后结果进行 数据增强， 得到训练样本； 构建用于遥感影像变化检测的孪生神经网络； 所述孪生神经网络包括： 两条由结构和 参数均相同的DeepLab  v3+模型的骨干网络、 ASPP模块以及双重注意力模块组成 的特征提 取支路， 输出网络； 所述特征提取支路用于采用DeepLab  v3+模型的骨干网络和ASPP模块对 训练样本进行特征提取， 然后采用双重注意力模块中并联的空间注意力模块以及通道注意 力模块对提取得到的特征进行特征聚合， 得到融合特征图； 所述输出网络用于对两条特征 提取支路输出的所述融合特征图进行卷积和上采样操作， 得到训练样本的变化检测预测结 果图； 利用训练样本的标注和将训练样本输入到孪生神经网络得到的训练样本的变化检测 预测结果图对孪生神经网络进行训练， 得到训练好的孪生神经网络； 采用训练好的孪生神经网络对不同时间覆盖同一地 区的待测多源遥感影像进行检测， 得到遥感影像变化检测结果。 2.根据权利要求1所述的方法， 其特征在于， 获取不同时间覆盖同一地 区的两个多源遥 感影像， 并对所述多源遥感影像进行标注， 并对标注后结果进行数据增强， 得到训练样本， 包括： 获取不同时间覆盖同一地区的多源遥感影像， 并对所述多源遥感影像进行数据栅格转 化、 深度转换以及裁 剪得到符合模型输入尺寸的数据集， 并对所述数据集进行 标注； 采用多种数据增强方式对标注后的数据集进行处 理， 得到训练样本 。 3.根据权利要求1所述的方法， 其特征在于， 所述训练样本包括： 第一多源遥感影像训 练样本和第二多源遥感影 像训练样本； 利用训练样本的标注和将训练样本输入到孪生神经网络得到的训练样本的变化检测 预测结果图对孪生神经网络进行训练， 得到训练好的孪生神经网络， 包括： 将所述第一多源遥感影像训练样本和第二多源遥感影像训练样本输入到分别输入到 两条特征提取支路中， 得到第一融合特 征和第二融合特 征； 将所述第一融合特征和所述第 二融合特征输入到输出网络 中， 得到训练样本的变化检 测预测结果图； 根据训练样本的变化检测预测结果图和训练样本的标注对所述孪生神经网络进行反 向训练， 得到训练好的孪生神经网络 。 4.根据权利要求3所述的方法， 其特征在于， 将所述第 一多源遥感影像训练样本和第 二 多源遥感影像训练样本输入到 分别输入到两条特征提取支路中， 得到第一融合特征和 第二 融合特征， 包括： 将所述第一多源遥感影像训练样本输入到所述第一条特征提取支路的DeepLab  v3+模 型的骨干网络中进行特征提取， 并将得到的特征利用ASPP模块对多尺度信息进行提取， 得 到第一语义特 征信息； 将所述第一语义特征信 息输入到第 一条特征提取支路的所述双重注意力模块中， 得到 第一融合特 征； 将所述第二多源遥感影像训练样本输入到所述第 二条特征提取支路， 得到第 二融合特权　利　要　求　书 1/3 页 2 CN 115457390 A 2征。 5.根据权利要求4所述的方法， 其特征在于， 所述双重注意力模块包括： 并联的空间注 意力模块以及通道 注意力模块； 将所述第一语义特征信 息输入到第 一条特征提取支路的所述双重注意力模块中， 得到 第一融合特 征， 包括： 将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块的空间 注意力模块中， 在空间上对所述第一语义特征信息进行两次的扁平化处理， 得到第一特征 和第二特征， 并将转置后的所述第一特征与所述第二特征相乘， 并将得到的结果通过 Softmax激活函数， 得到第一语义特征信息的特征权重矩阵， 然后将所述特征权重矩阵与所 述第一语义特 征信息进行融合， 得到第一空间注意力特 征； 将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块的通道 注意力模块中， 得到第一通道注意力特征； 所述通道注意力模块与所述空间注意力模块结 构相似， 唯一的区别点在于通道 注意力模块没有 进行两次扁平化处 理； 将所述第一空间注意力特征和所述第 一通道注意力特征相加融合后， 得到第 一融合特 征。 6.根据权利要求3所述的方法， 其特征在于， 将所述第 一融合特征和所述第 二融合特征 输入到输出网络中， 得到训练样本的变化检测预测结果图， 包括： 将所述第一融合特征和所述第 二融合特征输入到输出网络 中， 对所述第 一融合特征和 所述第二融合特征进行上采样， 并将上采样后的2 ×2区域中的空值补成适当的特征值， 然 后进行卷积操作， 得到训练样本的变化检测预测结果图。 7.根据权利要求3所述的方法， 其特征在于， 根据训练样本的变化检测预测结果图和训 练样本的标注对所述孪生神经网络进行反向训练， 得到训练好的孪生神经网络， 包括： 构建孪生神经网络的损失函数和重构网络的损失函数， 并将孪生神经网络的损失函数 和重构网络的损失函数的加权和作为总损失函数； 所述孪生神经网络的损失函数： 其中， Ls为孪生神经网络的损失， 为检测网络发生的变化的二 进制映射， θs、 θc、 lbce分别为共享部分网络的参数、 变化检测右上分支的参数和第k个patch 对中的(i， j)处的像素的二进制交叉熵损失， 上 标s为孪生神经网络； 下 标k为第k个patc h； 所述重构网络的损失函数为： 其中， Lt为重构网络的损失， r(i,j)为利用log ‑ratio求取的差分图像， 为重构的 版本， lsqr为重构目标域在r时每 个像素的平方损失， 上 标t为重构网络； 所述总损失函数为： Lpre＝α Ls+(1‑α )Lt 其中， Lpre为总损失， α 是个恒定的参数；权　利　要　求　书 2/3 页 3 CN 115457390 A 3