本發(fā)明屬于遙感變化檢測(cè)，涉及基于深度學(xué)習(xí)的遙感圖像變化檢測(cè)領(lǐng)域，特別涉及一種遙感圖像變化檢測(cè)方法、系統(tǒng)、設(shè)備及可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著遙感技術(shù)及對(duì)地觀測(cè)技術(shù)的飛速發(fā)展，現(xiàn)代衛(wèi)星系統(tǒng)已具備對(duì)地球表面進(jìn)行長(zhǎng)期、連續(xù)監(jiān)控的能力；其中，通過分析不同時(shí)間點(diǎn)拍攝的同一地點(diǎn)的高分辨率圖像對(duì)，利用遙感圖像變化檢測(cè)技術(shù)能夠揭示土地利用、植被覆蓋、城市建筑等地表目標(biāo)的變遷情況，這些信息對(duì)于城市規(guī)劃、環(huán)境保護(hù)以及災(zāi)害監(jiān)測(cè)與響應(yīng)等領(lǐng)域具有不可估量的價(jià)值。

2、近年來，基于深度學(xué)習(xí)的遙感變化檢測(cè)方法因其卓越的特征提取能力和學(xué)習(xí)性能而受到廣泛關(guān)注，與傳統(tǒng)方法相比，深度學(xué)習(xí)模型能夠自動(dòng)學(xué)習(xí)圖像中的復(fù)雜特征，更好地適應(yīng)現(xiàn)代變化檢測(cè)的需求。然而，現(xiàn)有應(yīng)用于變化檢測(cè)的深度學(xué)習(xí)模型往往未能充分利用網(wǎng)絡(luò)中潛在的大量特征信息，導(dǎo)致對(duì)變化區(qū)域的預(yù)測(cè)精度不足；進(jìn)一步地，為了有效利用這些豐富的特征信息，需要設(shè)計(jì)更為精細(xì)的特征融合模塊，以進(jìn)一步提升變化檢測(cè)的準(zhǔn)確性；綜上，現(xiàn)有用于遙感變化檢測(cè)的深度學(xué)習(xí)模型網(wǎng)絡(luò)在特征融合利用方面仍有較大的改進(jìn)空間。除了特征融合的問題，現(xiàn)有技術(shù)方案在訓(xùn)練過程中普遍存在過擬合現(xiàn)象，尤其是在訓(xùn)練集上，過擬合限制了模型的泛化能力；因此，解決過擬合問題，提高模型的泛化性能，也是當(dāng)前深度學(xué)習(xí)變化檢測(cè)網(wǎng)絡(luò)研究中需要解決的問題之一。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種遙感圖像變化檢測(cè)方法、系統(tǒng)、設(shè)備及可讀存儲(chǔ)介質(zhì)，以解決上述存在的一個(gè)或多個(gè)技術(shù)問題。本發(fā)明公開的技術(shù)方案中，采用了密集特征連接結(jié)構(gòu)，可解決現(xiàn)有技術(shù)方案中特征信息利用不充分的問題，能夠提高變化檢測(cè)的準(zhǔn)確性；另外，在變化檢測(cè)網(wǎng)絡(luò)的輸出部分連接有drop_channel正則分類層，該drop_channel正則分類層通過緩解現(xiàn)有技術(shù)方案存在的過擬合問題，能有效增強(qiáng)模型的泛化能力。

2、為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

3、本發(fā)明第一方面，提供一種遙感圖像變化檢測(cè)方法，包括以下步驟：

4、獲取待變化檢測(cè)的遙感圖像對(duì)；

5、基于獲取的待變化檢測(cè)的遙感圖像對(duì)，利用訓(xùn)練好的變化檢測(cè)網(wǎng)絡(luò)進(jìn)行檢測(cè)，獲得遙感變化檢測(cè)結(jié)果；

6、其中，所述變化檢測(cè)網(wǎng)絡(luò)包括：孿生網(wǎng)絡(luò)編碼器、單個(gè)解碼器和后處理模塊；

7、所述孿生網(wǎng)絡(luò)編碼器用于輸入遙感圖像對(duì)并進(jìn)行編碼，獲得編碼特征；其中，所述孿生網(wǎng)絡(luò)編碼器中，每個(gè)網(wǎng)絡(luò)編碼器均包括多個(gè)串行連接的特征提取模塊，且相鄰的兩個(gè)特征提取模塊之間設(shè)置有多特征融合模塊；每個(gè)特征提取模塊均采用密集特征連接結(jié)構(gòu)；

8、所述單個(gè)解碼器用于輸入所述編碼特征并進(jìn)行映射，獲得變化預(yù)測(cè)概率矩陣；其中，所述單個(gè)解碼器包括多個(gè)串行連接的特征提取模塊以及設(shè)置于輸出處的drop_channel正則分類層；所述單個(gè)解碼器中的第一個(gè)特征提取模塊的輸入包括所述孿生網(wǎng)絡(luò)編碼器中相同尺寸的兩個(gè)特征提取模塊作差得到的差分特征以及所述孿生網(wǎng)絡(luò)編碼器輸出的最小尺寸的特征；所述單個(gè)解碼器中除去第一個(gè)特征提取模塊以外的每個(gè)特征提取模塊的輸入均包括前一層特征提取模塊的輸出以及所述孿生網(wǎng)絡(luò)編碼器中相同尺寸的兩個(gè)特征提取模塊作差得到的差分特征；所述drop_channel正則分類層用于輸入所述單個(gè)解碼器中最后一個(gè)特征提取模塊輸出的特征并進(jìn)行通道數(shù)量調(diào)整，獲得變化預(yù)測(cè)概率矩陣；

9、所述后處理模塊用于輸入所述變化預(yù)測(cè)概率矩陣并進(jìn)行argmax處理，獲得遙感變化檢測(cè)結(jié)果；

10、其中，所述孿生網(wǎng)絡(luò)編碼器中每個(gè)網(wǎng)絡(luò)編碼器中特征提取模塊數(shù)量和單個(gè)解碼器中征提取模塊數(shù)量相同且尺寸對(duì)應(yīng)。

11、本發(fā)明的進(jìn)一步改進(jìn)在于，

12、所述遙感變化檢測(cè)結(jié)果為標(biāo)識(shí)出遙感圖像對(duì)變化的二值圖像。

13、本發(fā)明的進(jìn)一步改進(jìn)在于，

14、所述密集特征連接結(jié)構(gòu)由多層卷積單元串接組成，且每層卷積單元的輸出都作為多特征融合模塊的輸入。

15、本發(fā)明的進(jìn)一步改進(jìn)在于，

16、所述多特征融合模塊中的融合計(jì)算表達(dá)式為：

17、y=cbr1(x)+cbr3(cat(cbr1(x),dcbr3(cbr3(cbr1(x))),dcbr3(cbr5(cbr1(x))),dcbr3(cbr7(cbr1(x)))))；

18、式中，y表示融合結(jié)果；cbr1表示輸入通道數(shù)為c1，輸出通道數(shù)為c2，卷積核大小為1×1的卷積塊結(jié)構(gòu)；x表示多特征融合模塊的輸入特征；c1表示輸入特征x的通道數(shù)量；c2表示融合結(jié)果y的通道數(shù)量；cbr3表示輸入通道數(shù)為4*c2，輸出通道數(shù)為c2，卷積核大小為3×3的卷積塊結(jié)構(gòu)；cat表示沿通道方向拼接；cbr3、cbr5、cbr7分別表示輸入和輸出均為c2且卷積核大小分別為3×3、5×5、7×7的卷積塊結(jié)構(gòu)；dcbr3表示卷積核大小為3×3的逐深度卷積。

19、本發(fā)明的進(jìn)一步改進(jìn)在于，

20、所述變化檢測(cè)網(wǎng)絡(luò)的訓(xùn)練步驟包括：

21、獲取變化檢測(cè)圖像數(shù)據(jù)集；其中，所述變化檢測(cè)圖像數(shù)據(jù)集中的每個(gè)樣本均包括遙感圖像樣本對(duì)及標(biāo)注標(biāo)簽；

22、基于變化檢測(cè)圖像數(shù)據(jù)集，利用adam優(yōu)化器約束損失函數(shù)最小化對(duì)變化檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到預(yù)設(shè)收斂條件后，獲得訓(xùn)練好的變化檢測(cè)網(wǎng)絡(luò)。

23、本發(fā)明的進(jìn)一步改進(jìn)在于，

24、所述獲取變化檢測(cè)圖像數(shù)據(jù)集的步驟中，先對(duì)收集到的初始遙感變化檢測(cè)數(shù)據(jù)集進(jìn)行過采樣處理，然后采用數(shù)據(jù)增強(qiáng)技術(shù)，獲得最終的變化檢測(cè)圖像數(shù)據(jù)集。

25、本發(fā)明的進(jìn)一步改進(jìn)在于，

26、所述利用adam優(yōu)化器約束損失函數(shù)最小化對(duì)變化檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟中，損失函數(shù)采用交叉熵?fù)p失。

27、本發(fā)明第二方面，提供一種遙感圖像變化檢測(cè)系統(tǒng)，包括：

28、數(shù)據(jù)獲取模塊，用于獲取待變化檢測(cè)的遙感圖像對(duì)；

29、檢測(cè)模塊，用于基于獲取的待變化檢測(cè)的遙感圖像對(duì)，利用訓(xùn)練好的變化檢測(cè)網(wǎng)絡(luò)進(jìn)行檢測(cè)，獲得遙感變化檢測(cè)結(jié)果；

30、其中，所述變化檢測(cè)網(wǎng)絡(luò)包括：孿生網(wǎng)絡(luò)編碼器、單個(gè)解碼器和后處理模塊；

31、所述孿生網(wǎng)絡(luò)編碼器用于輸入遙感圖像對(duì)并進(jìn)行編碼，獲得編碼特征；其中，所述孿生網(wǎng)絡(luò)編碼器中，每個(gè)網(wǎng)絡(luò)編碼器均包括多個(gè)串行連接的特征提取模塊，且相鄰的兩個(gè)特征提取模塊之間設(shè)置有多特征融合模塊；每個(gè)特征提取模塊均采用密集特征連接結(jié)構(gòu)；

32、所述單個(gè)解碼器用于輸入所述編碼特征并進(jìn)行映射，獲得變化預(yù)測(cè)概率矩陣；其中，所述單個(gè)解碼器包括多個(gè)串行連接的特征提取模塊以及設(shè)置于輸出處的drop_channel正則分類層；所述單個(gè)解碼器中的第一個(gè)特征提取模塊的輸入包括所述孿生網(wǎng)絡(luò)編碼器中相同尺寸的兩個(gè)特征提取模塊作差得到的差分特征以及所述孿生網(wǎng)絡(luò)編碼器輸出的最小尺寸的特征；所述單個(gè)解碼器中除去第一個(gè)特征提取模塊以外的每個(gè)特征提取模塊的輸入均包括前一層特征提取模塊的輸出以及所述孿生網(wǎng)絡(luò)編碼器中相同尺寸的兩個(gè)特征提取模塊作差得到的差分特征；所述drop_channel正則分類層用于輸入所述單個(gè)解碼器中最后一個(gè)特征提取模塊輸出的特征并進(jìn)行通道數(shù)量調(diào)整，獲得變化預(yù)測(cè)概率矩陣；

33、所述后處理模塊用于輸入所述變化預(yù)測(cè)概率矩陣并進(jìn)行argmax處理，獲得遙感變化檢測(cè)結(jié)果；

34、其中，所述孿生網(wǎng)絡(luò)編碼器中每個(gè)網(wǎng)絡(luò)編碼器中特征提取模塊數(shù)量和單個(gè)解碼器中征提取模塊數(shù)量相同且尺寸對(duì)應(yīng)。

35、本發(fā)明第三方面，提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如本發(fā)明第一方面中任一項(xiàng)所述的遙感圖像變化檢測(cè)方法。

36、本發(fā)明第四方面，提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面中任一項(xiàng)所述的遙感圖像變化檢測(cè)方法。

37、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

38、本發(fā)明公開了一種新的遙感圖像變化檢測(cè)方法，具體是一種基于密集多特征融合和正則分類的遙感圖像變化檢測(cè)，其采用了密集特征連接結(jié)構(gòu)，可解決現(xiàn)有技術(shù)方案中特征信息利用不充分的問題，能夠提高變化檢測(cè)的準(zhǔn)確性；另外，在變化檢測(cè)網(wǎng)絡(luò)的輸出部分連接有drop_channel正則分類層，該drop_channel正則分類層通過緩解現(xiàn)有技術(shù)方案存在的過擬合問題，能有效增強(qiáng)模型的泛化能力。具體解釋性地，在孿生網(wǎng)絡(luò)編碼器中，本發(fā)明采用了密集特征連接結(jié)構(gòu)，這一結(jié)構(gòu)的設(shè)計(jì)核心在于，它能夠?qū)脑紨?shù)據(jù)中提取到的大量特征張量進(jìn)行全面且系統(tǒng)的保存，不同于傳統(tǒng)網(wǎng)絡(luò)中特征信息逐層傳遞且可能逐漸衰減的模式，密集連接確保了每一層的特征都能被后續(xù)層直接訪問和利用，這種保存機(jī)制有效解決了現(xiàn)有方法中特征信息利用不充分的問題，使得網(wǎng)絡(luò)能夠更全面地捕捉到數(shù)據(jù)中的細(xì)微差異和復(fù)雜模式，從而提高特征表示的豐富性和準(zhǔn)確性。除了保存特征張量外，密集特征連接結(jié)構(gòu)還通過多特征融合模塊實(shí)現(xiàn)了特征的多層級(jí)、多維度融合，每一層提取到的大量特征都會(huì)經(jīng)過這一模塊進(jìn)行進(jìn)一步的整合與處理，以確保有效信息的最大化保留。在變化檢測(cè)網(wǎng)絡(luò)的輸出部分，本發(fā)明連接了一個(gè)drop_channel正則分類層，這一層的作用是在模型訓(xùn)練過程中引入一種正則化機(jī)制，通過隨機(jī)丟棄部分通道（即特征圖的子集）來模擬不同的網(wǎng)絡(luò)配置和輸入變化，這種隨機(jī)丟棄策略迫使網(wǎng)絡(luò)在訓(xùn)練過程中學(xué)會(huì)更加依賴于多樣化的特征表示，而不是僅僅依賴于某些特定的或過于強(qiáng)大的特征，這有助于網(wǎng)絡(luò)在面對(duì)新數(shù)據(jù)或未見過的場(chǎng)景時(shí)，能夠表現(xiàn)出更強(qiáng)的適應(yīng)性和泛化能力。drop_channel正則分類層的引入還有效提升了模型的穩(wěn)健性，通過模擬不同的通道丟失情況，網(wǎng)絡(luò)在訓(xùn)練過程中逐漸學(xué)會(huì)了如何在特征不完整或受損的情況下仍然能夠做出準(zhǔn)確的預(yù)測(cè)，這種穩(wěn)健性的提升對(duì)于實(shí)際應(yīng)用中的變化檢測(cè)任務(wù)尤為重要，因?yàn)樵趯?shí)際場(chǎng)景中，由于光照變化、遮擋、噪聲等因素，輸入數(shù)據(jù)的質(zhì)量往往會(huì)受到一定程度的影響，而具有穩(wěn)健性的模型能夠更好地應(yīng)對(duì)這些挑戰(zhàn)，提供更為可靠和準(zhǔn)確的檢測(cè)結(jié)果。