[发明专利]一种基于领域自适应的端到端多源异质遥感影像变化检测方法

权利要求书

1.一种基于领域自适应的端到端多源异质遥感影像监督变化检测方法，其特征在于，包括如下步骤：

步骤1，多源异质遥感影像数据预处理以及构建变化检测数据集；对原始双时相异质遥感影像经过几何配准校正、大气校正的预处理方式，标注变化标签并制作变化检测数据集；

步骤2，构建一个原始影像高维特征提取孪生网络，该网络两个分支分别由预训练好的Resnet34的网络层构成；

将T1时相的RGB和T2时相的SAR影像分别放入该预训练的高维特征提取孪生网络中，每张原始影像获得五组高维特征，这五组高维特征是分别从特征提取网络的不同层抽取出的高维特征，两张异质遥感影像共获得五对影像不同尺度高维特征；

步骤3，将步骤2提取出的最后一对最高维特征输入到领域自适应性特征约束层，并将经过领域自适应性特征约束层后的异质影像最高维特征进行差值运算；

步骤4，将步骤3中得到的最高维差值特征图作为初始特征块输入到多尺度特征融合解码模块，并将步骤2中前面的四对不同尺度高维特征进行差值计算，利用跳跃连接方式将这些差值特征与多尺度特征融合解码模块中对应尺度特征进行拼接后进行卷积块处理，同时在卷积块之间进行上采样处理，并且每个卷积块旁向会利用1×1的卷积层处理得到共四个不同阶段不同尺度的变化检测结果图，最后再利用上采样将四张变化检测结果图统一到原始输入影像大小，并进行拼接卷积得到最终的变化检测结果；

步骤5，利用得到的最终变化检测结果与真实标签对比，用领域一致性损失和变化检测损失线性加权求和作为反向传播的最终损失，多次反向传播迭代训练由高维特征提取孪生网络、自适应性特征约束层和多尺度特征融合解码模块构成的变化检测网络的参数，直到变化检测损失不再下降即为网络训练完成，利用训练好的变化检测网络进行预测，完成双时相多源异质遥感影像的变化检测任务。

2.如权利要求1所述的一种基于领域自适应的端到端多源异质遥感影像监督变化检测方法：在步骤2中的高维特征提取孪生网络中，两个分支使用非共享权重的方式训练来分别提取不同类型异质数据提取。

3.如权利要求1所述的一种基于领域自适应的端到端多源异质遥感影像监督变化检测方法：领域自适应性特征约束层的具体处理过程如下；

首先利用下采样进一步减小特征图尺寸，极大减小领域距离计算量，随后接一层1×1卷积得到特征图大小，对T1和T2时相的特征图进行领域一致性距离计算，之后将特征图上采样到输入该特征约束层时大小。

4.如权利要求3所述的一种基于领域自适应的端到端多源异质遥感影像监督变化检测方法，其特征在于：领域一致性距离计算是利用多层多核最大均值差异(Multi-kernelMaximum Mean Difference,MK-MMD)计算方式对两时相提取到的特征一致性进行更好的监督，其中MK-MMD计算公式如下所示：

其中D表示求得的多核领域分布距离值，即求得的MK-MMD，E_x和E_y表示求各自特征映射期望值，x和y分别表示高维特征提取孪生网络提取到的特征进行了下采样和卷积处理之后的双时相异质影像特征，f(·)表示特征映射核函数，表示重生核希尔伯特空间reproducing kernel Hilbert space(RKHS)，‖·‖表示在统一希尔伯特空间两域特征均值之间的距离，κ表示使用多核MMD自适应的核函数权重关系，其中κ_i表示第i个核函数，β_i表示第i个核函数的权重，n表示使用的核函数个数。

5.如权利要求1所述的一种基于领域自适应的端到端多源异质遥感影像监督变化检测方法，其特征在于：在多尺度特征融合解码模块中，进行拼接和卷积处理过程中，引入通道空间双注意力模块对融合特征在空间域和通道域上进行优化，其中通道注意力模块是将特征图在空间维度进行全局平均池化和全局最大池化压缩，得到一维向量后使用共享多层感知机网络处理，将处理后的两个特征向量逐元素求和产生通道注意力图；空间注意力模块是对通道维进行压缩，在通道维度分别进行平均值池化和最大值池化，接着将提取到的两个通道数为1的空间特征逐元素加和，经过sigmoid激活后得到空间注意力图。

6.如权利要求4所述的一种基于领域自适应的端到端多源异质遥感影像监督变化检测方法，其特征在于：步骤5中使用BCEloss和Diceloss进行变化检测损失值计算，并利用多层MK-MMD得到的各层平均领域距离L_MK-MMD作为网络领域一致性损失；其中网络领域一致性损失的计算公式如下；

其中D_j表示领域一致性计算层中第j层计算得到的域分布距离值，m表示需要领域距离计算的层数。