(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210622122.9 (22)申请日 2022.06.02 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 梁漪　张成坤　韩敏　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/46(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于全局关系推理的高分辨率遥感影 像变化检测方法 (57)摘要 一种基于全局关系推理的高分辨率遥感影 像变化检测方法： 首先， 通过预先训练的编码器 提取双时相遥感影像的多尺度特征； 其次， 使用 全局关系推理模块分别对每个尺度特征进行区 域间的关系推理； 最后， 建立多尺度特征融合的 解码器， 并通过语义分割头生 成最终的变化检测 结果。 本发 明除了在堆叠的卷积层获取局部信息 之外， 还充分考虑可以表示变化对象之间内在联 系的全局语义信息， 此外， 本方法为编码器 ‑解码 器的网络结构， 能够实现细节信息恢复， 有效削 弱背景噪声的干扰， 减少误检的现象。 本发明充 分利用遥感影像的多尺度信息及全局语义信息， 生成具有分辨效力的划分特征， 有效提高变化检 测精度， 具有广阔的应用前 景。 权利要求书2页 说明书8页 附图7页 CN 114913434 A 2022.08.16 CN 114913434 A 1.一种基于全局关系推理的高分辨率遥感影像变化检测方法， 其特征在于， 包括以下 步骤： 第一步， 对样本进行划分和数据预处 理； 1.1)样本划分； 1.2)数据预处理， 得到处理后t1时刻的影像 和t2时刻的影像 其中， C、 H、 W分别表示影 像的通道数、 高和宽； 第二步， 构建基于全局关系推理的变化检测网络架构； 2.1)构建编码器； 以ResNet18网络为基础构建孪生编码器， 分别用于提取 和 在 4个尺度上的特 征图， 得到多尺度特 征 和 2.2)构建全局关系推理模块GloRe； 将孪生编码器提取的多尺度特征 和 (*∈{t1,t2})， 分别输入到4个GloRe； 每个GloRe串联一个核为3 ×3的卷积块， 输出增强 特征 和 2.3)构建解码器， 用于多尺度增强特 征的融合并生成差异特 征， 具有如下子步骤： 2.3.1)多尺度增强特征融合； 由最小尺度特征逐次向其上一级尺度特征靠拢； 即 和 通过融合单元生成与 同等尺寸的融合特征 和 通过融合单元生成与 同等尺寸的融合特征 以此类推， 最终生成与 同等尺寸的融合特征 每个融合单 元具有同样的结构， 以融合 和 进行说明， 融合过程描述如下： 1)将特征 输入到使用双线性插值法的上采样层， 然后输入到一个核为3 ×3卷积层， 再通过激活函数ReLU层， 得到特 征 即 2)将特征 输入到一个核为3 ×3卷积层， 再通过激活函数ReLU层， 得到特征 即 3)以通道级联的方式合并 和 并输送到一个核为1 ×1卷积块， 得到融合特征 即 2.3.2)生成差异特征； 融合后的特征 和 做差， 输入到一个核为3 ×3卷积块获取 差异特征Fdiff， 即 2.4)构建变化检测Head； 由双线性插值的上采样层和卷积块串联而成， 用于生成变化 检测图 具有如下子步骤： 2.4.1)差异特 征Fdiff上采样， 通过 卷积块得到更新特 征Fdiff(1)； 2.4.2)特 征Fdiff(1)上采样， 通过 卷积块得到特 征Fdiff(2)； 2.4.3)特 征Fdiff(2)通过卷积层和Sigmo id层输出 第三步， 构建损失函数； 以骰子损失Dice  Loss和二值交叉熵损失BC E Loss的组合方式构建损失函数；权　利　要　求　书 1/2 页 2 CN 114913434 A 2第四步， 网络训练与验证； 4.1)基础设置， 包括初始化网络训练过程所需要的参数、 设置学习率更新策略， 使用自 适应矩估计优化器Adam更新变化检测网络权重， 设置其一阶矩衰减系数β1和二阶矩衰减系 数β2； 4.2)网络训练； 网络一次训练过程对应一个Epoc h， 包括以下子步骤： 4.2.1)将一个Batchsize大小的训练样本输入到基于全局 关系推理的变化检测网络， 得到变化检测结果； 4.2.2)计算Dice  Loss和BCE  Loss， 并将两者的和传送到Adam优化器更新变化检测网 络权重， 重复步骤4.2.1)直至完成网络在所有训练样 本上的训练， 得到一次Epoch下训练好 的变化检测网络； 4.3)网络验证； 将验证集输入到训练好的网络上得到验证集的变化检测结果， 并根据 变化检测结果与实际样本标签 计算网络的评价指标； 第五步， 重复 网络训练和验证过程； 完成Epoc h次的网络训练， 择 取最优的验证结果 为最终的网络 。 2.根据权利要求1所述的一种基于全局关系推理的高分辨率遥感影像变化检测方法， 其特征在于， 所述的步骤1.1)中， 样本划分具体 为： 一对覆盖同一地表的不同时刻{t1,t2}的 高分辨率遥感影像和相 应的实际标签为一个样本， 将收集的样本划分为训练集、 验证集和 测试集。 3.根据权利要求1所述的一种基于全局关系推理的高分辨率遥感影像变化检测方法， 其特征在于， 所述的步骤1.2)中， 数据预处 理过程分为影 像裁剪和标准 化。权　利　要　求　书 2/2 页 3 CN 114913434 A 3