1.一种基于cim-t架构的高分辨率影像变化检测方法,其特征在于,所述方法包括以下步骤:
2.如权利要求1所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,所述步骤2中的所述主干网络特征提取模块由双路权值共享的孪生网络构成,把从所述两期遥感影像图像中获取的所述变化检测数据集输入所述孪生网络中,再采用cim模块获得所述变化检测数据集中的所述多尺度特征。
3.如权利要求2所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,所述cim模块包括卷积模块和内卷积模块,将输入的所述变化检测数据集先通过所述卷积模块进行处理,得到中间结果,再将所述中间结果输入到所述内卷积模块,得到所述多尺度特征。
4.如权利要求3所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,所述卷积模块包括:3×3的卷积层、第一批归一化层、激活层;所述内卷积模块包括:1×1的卷积核、第二批归一化层、激活函数、逐元素相加模块;
5.如权利要求4所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,所述标签生成器模块包含:标签编码模块和标签解码模块;
6.如权利要求5所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,对于一个上采样单元,所述密集跳跃连接模块采用双倍双线性插值的方式对所述第二特征图进行融合和增强,得到分辨率提升的所述第二特征图,再将所述第二特征图继续作为下一个上采样单元的输入,最终得到的所述第二特征图的每一层都大小相同;
7.如权利要求6所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,所述ecam模块的输入为所述第二特征图的四层特征图;
8.如权利要求7所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,所述通道注意力模块包含平均池化层、最大池化层、全连接层、激活函数层。
9.如权利要求7所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,在所述步骤3中,所述变化检测模型的训练总损失为交叉熵损失和相似性度量损失的和:
10.如权利要求7所述的基于cim-t架构的高分辨率影像变化检测方法,其特征在于,在所述步骤3中,所述变化检测模型的超参数设置如下:采用多种尺度进行训练,将输入的所述两期遥感影像图像调整为256×256以及512×512大小,分别进行两组不同的训练;采用adam优化器进行训练,同时采用10个epoch的warmup过程;模型总计训练100个epochs,初始的学习率设置为0.001;使用8张3090显卡进行训练。