技术特征：
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
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，l
s
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，θ
s
、θ
c
、l
bce
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patch；所述重构网络的损失函数为：其中，l
t
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，l
sqr
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：l
pre
＝αl
s
+(1-α)l
t
其中，l
pre
为总损失，α是个恒定的参数；
根据训练样本的变化检测预测结果图、训练样本的标注、总损失函数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。8.一种遥感影像变化检测装置，其特征在于，所述装置包括：训练样本确定模块，用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；用于遥感影像变化检测的孪生神经网络构建模块，用于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；网络训练模块，用于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；遥感影像变化检测模块，用于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。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
技术总结
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。化检测。化检测。
技术研发人员：王雄飞 胡小平
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2022.09.13
技术公布日：2022/12/9