[发明专利]基于共注意力机制的时序鲁棒遥感影像变化检测方法

说明书

本发明属于遥感影像变化检测技术领域，公开了一种基于共注意力机制的时序鲁棒遥感影像变化检测方法。该方法定义模型对称度的概念，通过调整模型的模型对称度来优化模型结构；在模型训练时加入随机交换输入时序的增广操作，增强模型的鲁棒性；提出双通道‑孪生结构，在处理图像输入时将孪生结构与双通道结构结合，增强数据融合效果；提出基于双通道‑孪生结构的共注意力模块。本发明以一个100％模型对称度的模型为基准，适当降低模型对称度，并且配合随机交换输入时序的增广操作，再部署双通道‑孪生结构以及基于此结构的共注意力模块，模型能够有效地规避图像输入时序带来的影响，同时提升变化检测效果。

技术领域

本发明属于遥感影像变化检测技术领域，尤其涉及一种基于共注意力机制的时序鲁棒遥感影像变化检测方法。

背景技术

遥感影像变化检测旨在分析比较一对或一组，同一地点不同时间的遥感影像，并将影像中随时间发生变化的区域输出到影像中。这项技术被广泛应用于土地利用类型变化、城市绿化覆盖监测、林地开伐监测等许多重要的遥感相关领域。目前，主流的遥感影像变化检测技术以深度学习为主，其模型架构如图2所示，其步骤可简要概括为，采集影像并制作数据集以训练神经网络模型，再将训练好的模型进行测试以及实际部署。然而现有技术往往会忽略时间因素的影响，即影像输入的时序将严重影响模型的检测效果。具体表现为，影像以时序输入时，模型可以获得较好的检测结果；但将影像按逆时间顺序输入时，模型效果非常不理想。同时，现有技术缺乏更好的提取两组或多组影像相关性的办法以提升检测效果。因此，亟需一种新的基于共注意力机制的时序鲁棒遥感影像变化检测方法。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有技术对时间因素的忽略。这一点会直接造成检测方法对时序的弱鲁棒性以及对影像理解的偏颇。以图3为例，图3展示了现有技术对某地变化检测结果，其中，图(a)和(b)为一组该地不同时期的遥感影像，图(c)为标准变化检测输出，图(d)为影像时序输入时的检测结果，图(e)为影像逆时序输入时的检测结果(需要额外说明的是，图(c)-(e)中白色所覆盖的区域为变化区域)。可以看出，变化检测结果(d)和(e)的主要区别在于交叉线所表征的建筑识别。图(d)的结果表明，模型能检测出该建筑从无到有修建完成的变化，即从图(a)到图(b)的变化；而图(e)的结果却表明，模型无法检测出该建筑被拆迁或移除的情况，即从图(b)到图(a)的变化。更一般而言，这种现象可归纳为对时序输入的鲁棒性差，模型会呈现出，对物体按特定时序的变化有较强的检测效果，却缺乏处理其他情况时序变化的泛化能力。

(2)现有技术缺乏对影像相关性更好的提取方式。通常，影像相关性的提取由共注意力机制实现。然而，共注意力机制的缺点在于，计算相关性矩阵时的计算量与特征图像面积的平方呈正相比。这一点限制了该机制只能被部署于模型结构中小特征图处，而缺失了对大特征图乃至图像全局信息的理解。

解决以上问题及缺陷的难度为：现有技术缺乏对该领域下时序鲁棒性的研究与讨论，缺少应对该问题的有效方法与评估。对于相关性提取的方式而言，现有共注意力机制虽然存在着一定的缺陷，但已经形成了一套相对固定的流程。要弥补现有共注意力机制的不足，需要对模型结构进行创新地设计。

解决以上问题及缺陷的意义为：上述两个问题，着眼于遥感影像变化检测领域的模型泛化性能与检测效果的讨论。这两个问题的解决，会使得模型在保证时序鲁棒性的基础下，稳步提升检测效果。

发明内容

针对现有技术存在的问题，本发明提出一种基于共注意力机制的时序鲁棒遥感影像变化检测方法，所述方法包括以下步骤：

第(1)步：定义模型对称度的概念，具体计算公式如下：

其中，S代表模型中对称的中间输出总量，N代表模型中所有中间输出总量。

第(2)步：定义一种图像增广操作。具体为，在模型训练阶段，以50％的概率，随机打乱影像输入时序。