(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210003112.7 (22)申请日 2022.01.05 (65)同一申请的已公布的文献号 申请公布号 CN 114022788 A (43)申请公布日 2022.02.08 (73)专利权人 长沙理工大 学 地址 410000 湖南省长 沙市天心区赤岭路 45号 (72)发明人 王威　谭新爱　王新　刘冠群　 王峰　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 代理人 唐品利 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)(56)对比文件 CN 113870422 A,2021.12.31 CN 113111835 A,2021.07.13 CN 111523521 A,2020.08.1 1 CN 112580636 A,2021.0 3.30 US 2007086624 A1,20 07.04.19 CN 113688813 A,2021.1 1.23 CN 113111835 A,2021.07.13 Chun-Fu (Ric hard) Chen.et al. “CrossViT: Cros s-Attention Multi-Scale Vision Transformer for Ima ge”. 《arXiv: 2103.14899v2》 .2021, 刘冠群等. “一种基于深度学习的卫星遥感 图像分割方法 ”. 《湖南城市学院学报》 .2021,第 30卷(第5期), (续) 审查员 侯德芹 (54)发明名称 遥感图像变化检测方法、 装置、 计算机设备 和存储介质 (57)摘要 本申请涉及一种遥感图像变化检测、 装置、 计算机设备和存储介质。 所述方法包括： 获取双 时间遥感图像， 并进行标注， 得到训练样本； 构建 遥感图像变化检测网络； 该网络包括两条由结构 和参数均相同的残差网络和SA M模块组成的特征 提取支路， 由4个Tran sformer模块组成的多尺度 的注意特征模块， 以及输出网络； 利用训练样本 对该网络进行训练， 并采用训练好的遥感图像变 化检测网络对待测双时间遥感图像进行检测， 得 到遥感图像变化检测结果。 SAM模块可更好的获 取像素跟像素之间的关系， 在图像的每个多尺度 子区域引入Transformer， 可捕获不 同尺度上的 特征信息。 采用本方法可提高遥感图像变化检测的计算效率和检测准确率。 [转续页] 权利要求书3页 说明书10页 附图4页 CN 114022788 B 2022.03.04 CN 114022788 B (56)对比文件 WUSHENG TANG.et al. “Single-shot coherent po wer-spect rum imaging of”. 《applied optics》 .2019,第58卷(第4期),Jesse Vig.et al. “A Multiscale Visualization of Attention in the Transformer Model ”. 《arXiv:190 6.05714v1》 .2019,2/2 页 2[接上页] CN 114022788 B1.一种遥感图像 变化检测方法， 其特 征在于， 所述方法包括： 获取双时间遥感图像， 并对所述双时间遥感图像进行 标注， 得到训练样本； 构建遥感图像变化检测网络； 所述遥感图像变化检测网络包括两条由结构和参数均相 同的残差网络和空间注 意力模块组成的特征提取支路、 由4个Transformer模块组成的多尺 度的注意特征模块， 以及输出网络； 特征提取支路用于通过残差网络提取训练样本的特征， 然后经过 空间注意力模块， 并将得到的拥有空间注意力的特征图通过卷积和下采样操作得 到四份不同尺度的特征图； 多尺度的注意特征模块用于将所述四份不同尺度的特征图输入 到对应的Tr ansformer模块中得到四份不同尺度的输出特征图， 并对输出特征图采用上采 样和合并操作， 得到两幅双时间特征图； 输出网络用于对两幅双时间特征图的差异特征图 进行卷积和上采样 操作， 得到训练样本的变化检测预测结果图； 利用训练样本的标注和将训练样本输入到遥感图像变化检测网络得到的训练样本的 变化检测预测结果图对遥感图像变化检测网络进 行训练， 得到训练好的遥感图像变化检测 网络； 采用训练好的遥感图像变化检测网络对待测双时间遥感图像进行检测， 得到遥感图像 变化检测结果。 2.根据权利要求1所述的方法， 其特征在于， 训练样本包括第 一时间遥感图像训练样本 和第二时间遥感图像训练样本； 利用训练样本的标注和将训练样本输入到遥感图像变化检测网络得到的训练样本的 变化检测预测结果图对遥感图像变化检测网络进 行训练， 得到训练好的遥感图像变化检测 网络， 包括： 将所述第一时间遥感图像训练样本和所述第二时间遥感图像训练样本分别输入到两 条特征提取支路中， 得到第一空间注意力特 征和第二空间注意力特 征； 将所述第一空间注意力特征和第 二空间注意力特征分别进行卷积和下采样操作， 得到 第一多尺度特征图和 第二多尺度特征图； 所述第一多尺度特征图和所述第二多尺度特征图 均包括四份不同尺度的特 征图； 将所述第一多尺度特征图和所述第 二多尺度 特征图输入到多尺度的注意特征模块中， 得到两幅时间特 征图； 将两幅时间特 征图输入到所述输出网络中， 得到变化检测预测结果图； 根据所述变化检测预测结果图和训练样本的标注对遥感图像变化检测网络进行反向 训练， 得到训练好的遥感图像 变化检测网络 。 3.根据权利要求2所述的方法， 其特征在于， 将所述第 一时间遥感图像训练样本和所述 第二时间遥感图像训练样本 分别输入到两条特征提取支路中， 得到第一空间注意力特征和 第二空间注意力特 征， 包括： 将所述第一 时间遥感图像训练样本输入到第 一条特征提取支路的残差网络 中， 得到第 一特征图； 将所述第一特征图输入到第 一条特征提取支路的空间注意力模块中， 得到第 一空间注 意力特征； 将所述将第 二时间遥感图像训练样本输入到第 二条特征提取支路的残差网络中， 得到 第二特征图；权　利　要　求　书 1/3 页 2 CN 114022788 B 3