基于自监督增强的轻量级遥感影像变化检测方法和系统

专利主权项内容

1.一种基于自监督增强的轻量级遥感影像变化检测方法，其特征在于，包括：步骤1：获取同一地区不同时间点的影像数据和地物变化标签数据，并添加时序标签，构建包含变化检测标签和语义分割标签的变化检测数据集，并将数据集进行数据增强后划分为训练集、验证集和测试集；步骤2：构建时序预测多任务模型，包括编码器、变化检测任务模型和时序预测任务模型；所述编码器为去除最后池化层和全连接层的ESNET模型；步骤3：通过训练集数据训练时序预测多任务模型，训练过程采用动态损失多任务分段优化策略；步骤4：完成训练后，保留在验证数据集上效果最佳的模型，将测试集数据通过变化检测模型编码器对测试集数据进行特征提取，获取相邻两时相多尺度地物特征图，将所述相邻两时相多尺度地物特征图输入变化检测任务模型，获取最终的变化地物分割图；所述训练集数据训练时序预测多任务模型具体方法如下：通过编码器对测试集数据进行特征提取，获取相邻两时相多尺度地物特征图、/>；将所述相邻两时相多尺度地物特征图、/>输入变化检测任务模型获取变化地物分割图以及变化检测预测结果和标签之间的损失；将所述相邻两时相多尺度地物特征图、/>输入时序预测任务模型获取影像时序预测结果以及时序标签之间的损失；所述动态损失多任务分段优化策略采用反向传播和随机梯度下降算法进行多阶段训练，包括：第一阶段，时序预测多任务模型使用两个损失的动态组合后梯度下降；第二阶段，时序预测多任务模型使用变化检测任务模型损失优化整体模型；所述变化检测任务模型包括：变化检测任务特征提取模块和变化检测解码器；所述变化检测任务特征提取模块对相邻两时相多尺度地物特征图、/>处理方法如下：多尺度地物特征图通过三个1×1卷积层获取空间维度张量、/>、/>，其中，/>是特征的通道数，/>表示全体实数集，/>表示特征的宽度，/>表示特征的高度；计算空间维度张量、/>的相似度/>，将/>与/>聚合获得自注意感知的特征图/>，将特征图/>重复执行上述流程得到特征图/>；将特征图分为两组，一组特征图/>经过卷积处理生成特征图/>，所述特征图经过分组卷积处理后与特征图/>级联得到特征图/>，将特征图/>经过两个1×1卷积处理后得到特征图/>，并与特征图/>相乘得到特征图/>，特征图/>经过卷积处理得到特征图/>；另一组特征图经过卷积处理与特征图/>级联后经过卷积处理得到特征图/>，特征图/>与特征图/>相加输出多尺度筛选特征图；所述变化检测解码器对多尺度筛选特征图处理方法如下：将多尺度筛选特征图通过金字塔池化模块处理，再通过双线性内插将宽高拉伸至和标签相同的尺寸，得到变化地物分割图，并计算出变化检测预测结果和标签之间的损失；所述金字塔池化模块包括3个尺度的卷积层、批标准化层、修正线性单元；所述时序预测任务模型包括：时序预测任务特征提取模块和时序预测解码器；所述时序预测任务特征提取模块对相邻两时相多尺度地物特征图、/>处理方法如下：多尺度地物特征图通过三个1×1卷积层获取空间维度张量、/>、/>，其中；计算空间维度张量、/>的相似度/>，将/>与/>聚合获得自注意感知的特征图/>，将特征图/>重复执行上述流程得到特征图/>；所述时序预测解码器对多尺度筛选特征图处理方法如下：将多尺度筛选特征图通过金字塔池化分割模块后接入自适应平均池化模块，再经过一个卷积层后接入hardswish激活函数、dropout层、拉平层、全连接层，输出影像时序预测结果，根据预测结果和预测标签计算出时序标签之间的损失；所述动态损失多任务分段优化策略两阶段切换的轮次标准如下：每一轮训练结束后验证时序精度，比对精度是否多轮未提升，所述多轮大于等于3，如果为是则判断为过拟合，切换训练阶段。