[发明专利]基于二值变化检测对比学习的高分辨遥感图像语义变化检测方法

权利要求书

1.一种基于二值变化检测对比学习的高分辨遥感图像语义变化检测方法，其特征在于步骤如下：

步骤1：构建基于高分辨网络的简单可扩展的直接语义变化检测模型来进行语义变化检测；

将T¹和T²时相的遥感图像I¹和I²输入两个共享权重的高分辨网络编码器和得到语义上下文特征对和将和输入变化特征提取模块得到变化特征f_cd；对于T¹时相，将和f_dd输入特征融合模块，先对和作绝对差得到d_cd，再将d_cd进行1次1×1卷积操作得到语义变化特征对于T²时相，将和f_cd输入特征融合模块得到语义变化特征最后将和输入两个解码器和得到T¹和T²时相的语义变化检测结果和

步骤2：使用对比学习损失监督变化检测；

在变化特征提取模块后加入对比学习特征表示头将变化特征f_cd输入对比学习特征表示头得到密集变化特征表示Z_rep，包含2个卷积层；第一个卷积层包含1个步幅为1，填充为2的3×3卷积，该卷积操作将输入变化特征f_cd通道数变为原来1/4，分辨率保持不变，即H₀×W₀×150，以及1个批归一化操作和1修正线性单元；第二个卷积层包含1个步幅为1的1×1卷积操作，将输入特征向量通道数变为256，分辨率保持不变，即H₀×W₀×256；由于对比损失仅在训练期间提供监督，因此对比学习特征表示头在推理期间被移除；用半难半易的采样策略在变化特征表示Z中对变化类别和未变化类别的样本对应的特征向量进行采样以计算对比学习损失函数L_c：

其中，由于类别为变化类别和未变化类别，所以‖C‖＝2；z_ca是第c类第a个锚点的特征向量，是第c类的正样本，是所有第c类样本特征向量的平均值，是第c类第a个锚点的第b个属于其他类别的负样本的特征向量；对于C中的每个类别，锚点和锚点的负样本对应的特征向量都采集自变化特征表示Z_rep，每个类别都有A个锚点，并且每个锚点都有一个正样本和B个负样本；·,·是两个特征向量之间的余弦相似度，用于度量两个特征向量之间的距离，范围为-1到1，τ＝0.5是温度系数；对于当前训练批量中的每个类别，通过优化网络参数使得L_c最小，来拉近该类别的锚点与其正样本的距离，而推远该类别的锚点与其负样本的距离；

步骤3：通过使总体的损失函数L最小来优化模型的参数，总体的损失函数L由T¹和T²的语义变化检测损失和以及变化检测上的对比学习损失函数L_c构成；语义变化检测损失和为交叉熵损失，描述为：

其中T为像素的个数，和和分别表示真值标签和解码器和在第t个像素上的预测概率；

总体的损失函数L描述为：

得到总体的损失函数后进行反向传播，使用AdamW优化器进行优化，重复迭代直至迭代次数达到设置初始值时判定完成训练。