申请/专利权人：北京航空航天大学;上海人工智能创新中心

申请日：2024-04-12

公开（公告）日：2024-07-05

公开（公告）号：CN118298305A

主分类号：G06V20/10

分类号：G06V20/10;G06V20/70;G06V10/82;G06V10/42;G06V10/44;G06V10/40;G06T7/00;G06T7/11;G06T7/136;G06T7/12;G06N3/0464;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开一种基于多尺度注意力的遥感图像建筑物变化检测方法。具体步骤如下：一、读入图像数据并进行预处理；二、构造基于多尺度注意力的遥感图像建筑物变化检测网络；三、训练网络模型，得到模型参数；四、进行遥感图像建筑物变化检测。本发明的网络模型是在浅层特征图的稀疏表征向量上利用Transformer构建全局上下文特征，并聚合多尺度特征图进行变化建筑物分布的预测，既高效地建模了全局感受野以减少复杂背景的干扰，还保留了细节特征以优化分割边缘的精度。本发明的遥感图像建筑物变化检测方法输入为双时相遥感图像，输出为双时相之间的变化建筑物目标的二值掩模，自动化程度高，信息解析速度快，变化检测精度高，能够大幅度提高效率，降低解译成本。

主权项：1.一种基于多尺度注意力的遥感图像建筑物变化检测方法；其特征在于，该方法步骤如下：步骤一：双时相遥感图像变化检测数据预处理；计算机读取双时相遥感图像建筑物变化检测数据，并对图像数据进行预处理，使得输入到后续深度学习网络模型中的数据满足硬件运行容量和任务所需的格式要求；步骤二：构造基于多尺度注意力的遥感图像建筑物变化检测网络；变化语义Transformer即CST采用了卷积神经网络和Transformer的混合架构，利用卷积神经网络在底层视觉特征提取和注意力机制进行长距离依赖关系建模；步骤三：训练网络模型；在Pytorch深度学习框架上构造好网络后，利用带标签的双时相遥感图像建筑物变化检测训练数据对网络模型进行训练，同时根据验证集数据选择最优的网络参数并保存，作为最终的网络模型参数配置；步骤四：遥感图像建筑物变化检测；利用步骤三训练好的网络模型对双时相遥感图像测试数据中的变化建筑物目标进行检测识别和分割提取，得到双时相之间的变化建筑物目标的二值掩模。

全文数据：

权利要求：

百度查询： 北京航空航天大学 上海人工智能创新中心 一种基于多尺度注意力的遥感图像建筑物变化检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD