(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 202211003665.9 (22)申请日 2022.08.19 (71)申请人 广州大学 地址 510006 广东省广州市大 学城外环西 路230号 (72)发明人 阮永俭　张新长　姜明　 (74)专利代理 机构 广东广盈专利商标事务所 (普通合伙) 44339 专利代理师 李俊 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种全尺度特征聚合的遥感影像变化检测 的方法 (57)摘要 本发明涉及遥感影像变化检测技术领域， 具 体为一种全尺度特征聚合的遥感影像变化检测 的方法， 其方法包括： 采集原始 遥感影像， 并对所 述原始遥感影像进行预处理； 将预处理后的原始 遥感影像裁剪成若干小块图片集， 并将所述小块 图片集分为训练集、 测试集、 验证集； 构建注意力 引导全尺度特征聚合变化检测网络模型AFSNet， 并对AFSNet进行训练； 在训练过程中， 获取每一 轮精度最高的权重文件； 利用所述权重文件， 获 取预测结果数据， 并进行精度评定。 本发明通过 构建AFSNet， 可以更精确地检测遥感影像中变化 区域边缘细 节信息， 适应检测多尺度变化区域边 界更加清晰， 对计算量与参数量有着较好的平衡 效果。 权利要求书3页 说明书11页 附图7页 CN 115456957 A 2022.12.09 CN 115456957 A 1.一种全尺度特 征聚合的遥感影 像变化检测的方法， 其特 征在于， 所述方法包括： 采集原始遥感影像， 并对所述原始遥感影像进行图像预处理， 得到预处理后的原始遥 感影像； 将预处理后的原始遥感影像进一步裁剪处理成若干256 ×256像素规格的小块图片集， 并将所述小块图片集分为训练集、 测试集、 验证集； 构建注意力引导全尺度特征 聚合变化检测网络模型AFSNet， 并基于所述训练集对所述 AFSNet进行训练， 获取每一轮次训练得 出的权重文件； 基于所述验证集对所述权 重文件进行验证， 筛 选出精度率 最高的权 重文件； 所述AFSNet基于所述精度率最高的权重文件对所述测试集进行预测， 获取预测结果数 据； 对所述预测结果数据进行精度评 定。 2.如权利要求1所述的全尺度 特征聚合的遥感影像变化检测的方法， 其特征在于， 所述 采集原始遥感影 像， 并对所述原 始遥感影 像进行图像预处 理包括： 基于ENVI软件对所述原始遥感影像进行几何精校正处理， 得到几何精校正处理后的原 始遥感影 像； 对几何精校正处理后的原始遥感影像进行图像融合处理， 得到预处理后的原始遥感影 像。 3.如权利要求1所述的全尺度 特征聚合的遥感影像变化检测的方法， 其特征在于， 所述 将预处理后的原始遥感影像进一步裁剪处理成若干256 ×256像素规格的小块图片集， 并将 所述小块图片集分为训练集、 测试集、 验证集包括： 基于LEVIR ‑CD数据集收集预处理后、 且尺寸大小为1024 ×1024像素规格的原始遥感影 像， 将所述预 处理后的原始遥感影像进一步裁剪处理成若干256 ×256像素规格且没有重叠 的小块图片集， 基于原始数据集的划分规则将所述小块图片集分为训练集、 测试集、 验证 集。 4.如权利要求3所述的全尺度 特征聚合的遥感影像变化检测的方法， 其特征在于， 所述 将预处理后的原始遥感影像进一步裁剪处理成若干256 ×256像素规格的小块图片集， 并将 所述小块图片集分为训练集、 测试集、 验证集还 包括： 基于SVCD数据集收集预处理后的原始遥感影像， 将所述预处理后的原始遥感影像进一 步裁剪处理成若干256 ×256像素规格的小块图片集， 基于原始数据集的划分规则将所述小 块图片集分为训练集、 测试集、 验证集。 5.如权利要求1所述的全尺度 特征聚合的遥感影像变化检测的方法， 其特征在于， 所述 构建注意力引导全尺度特征聚合变化检测网络模型AFSNet， 并基于所述训练集对所述 AFSNet进行训练， 获取每一轮次训练得 出的权重文件包括： 基于所述注意力引导全尺度特征聚合变化检测网络模型AFSNet提取所述训练集的双 时相影像特征； 基于全尺度跳跃连接方式将所述双时相影像特征进行特征融合处理， 得到全尺度 特征 信息。 6.如权利要求5所述的全尺度 特征聚合的遥感影像变化检测的方法， 其特征在于， 所述 基于注意力引导全尺度特征聚合变化检测网络模型AFSNet提取所述训练集的双时相影像权　利　要　求　书 1/3 页 2 CN 115456957 A 2特征包括： 基于VGG16网络将所述双时相影像的两期影像进行处理， 分别得到所述双时相影像的 两期影像对应的四层特 征图和五层特 征图； 将所述双时相影像的两期影像对应的四层特征图和五层特征图进行融合处理， 得到所 述双时相影 像的五层特 征图。 7.如权利要求6所述的全尺度 特征聚合的遥感影像变化检测的方法， 其特征在于， 所述 基于全尺度跳跃 连接方式将所述影 像特征进行特征融合处 理， 得到全尺度特 征信息包括： 将所述双时相影像的五层特征图中相较于期望特征图尺寸较大的特征图进行最大值 池化处理， 得到与期望特 征图相同尺寸的特 征图； 基于卷积核大小为1 ×1的卷积层将所述双时相影像的五层特征图中相较于期望特征 图尺寸较小以及相同的特征图以及所述与期望特征图相同尺寸的特征图进行通道数目减 少处理， 并将其连接在一 起， 得到具有全尺度特 征信息的期望特 征图。 8.如权利要求所述1的全尺度 特征聚合的遥感影像变化检测的方法， 其特征在于， 所述 基于所述验证集对所述权 重文件进行验证， 筛 选出精度率 最高的权 重文件包括： 基于验证集对所述具有全尺度 特征信息的期望特征图进行验证， 筛选出精度率最高的 具有全尺度特征信息的期 望特征图； 使用精度率F1作为衡量所述具有全尺度特征信息的期 望特征图精度的评价标准， 计算公式包括： ， 其中Precision为精度值， Recall为召回率， TP为真正类， FP为假正类， FN为假反类， TN 为真反类。 9.如权利要求1所述的全尺度 特征聚合的遥感影像变化检测的方法， 其特征在于， 所述 AFSNet基于所述精度率 最高的权 重文件对所述测试集进行 预测， 获取 预测结果数据包括： 基于CBAM注意力模块对所述具有全尺度特征信息的期望特征图进行特征细化处理， 得 到特征细化处 理后的具有全尺度特 征信息的期望特 征图； 基于卷积核大小为3 ×3的卷积层将所述特征细化处理后的具有全尺度特征信息的期 望特征图进行处 理， 得到对应各个尺度的预测图； 将所述对应各个尺度的预测图进行采样处 理， 得到对应各个尺度的预测结果； 基于多侧边输出融合方法将所述各个尺度的预测结果进行融合处理， 通过卷积核大小 为3×3的卷积层输出 预测结果数据。 10.如权利要求9所述的全尺度特征聚合的遥感影像变化检测的方法， 其特征在于， 所 述对预测结果数据进行精度评 定包括： 使用精度值Precision、 召回率Recall、 精度率F1、 交并比IoU、 平均交并比mIoU作为衡 量所述注 意力引导全尺度特征聚合变化检测网络模 型AFSNet 性能的评价标准， 计算 公式包 括：权　利　要　求　书 2/3 页 3 CN 115456957 A 3