(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 202210769215.4 (22)申请日 2022.06.30 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路 (72)发明人 袁媛　宋帅　张园林　 (74)专利代理 机构 西安凯多 思知识产权代理事 务所(普通 合伙) 61290 专利代理师 范倩 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/13(2022.01) G06V 10/32(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种适用于 检测建筑物变化的系统及方法 (57)摘要 本发明公开了一种适用于检测建筑物变化 的系统及方法， 属于信息处理技术领域。 本发明 系统， 包括： 数据采集模块， 所述数据采集模块用 于采集目标建筑物的高分辨率遥感图像， 并将所 述高分辨率遥感图像作为输入数据增强模块的 训练集； 数据增强模块， 所述数据增强模块对训 练集进行训练， 获取待处理图像， 并将所述待处 理图像输入至卷积神经网络， 通过卷积神经网络 对待处理图像进行预处理， 获取待处理图像的特 征解码图； 检测模块， 所述检测模块根据所述特 征解码图确定建筑物的变化情况。 本发明系统通 过数据增强模块对图像的处理， 能够有效的避免 负样本过多导 致的训练模型拟合效果差问题。 权利要求书2页 说明书7页 附图2页 CN 115170959 A 2022.10.11 CN 115170959 A 1.一种适用于检测建筑物变化的系统， 其特 征在于， 所述系统包括： 数据采集模块， 所述数据采集模块用于采集目标建筑物的高分辨率遥感图像， 并将所 述高分辨 率遥感图像作为输入数据增强模块的训练集； 数据增强模块， 所述数据增强模块对训练集进行训练， 获取待处理图像， 并将所述待处 理图像输入至卷积神经网络， 通过卷积神经网络对待处理图像进行预处理， 获取待处理图 像的特征解码图； 检测模块， 所述检测模块 根据所述特 征解码图确定建筑物的变化情况。 2.根据权利要求1所述的系统， 其特征在于， 所述数据增强模块对训练集进行训练， 获 取待处理图像， 包括： 对目标建筑物的高分辨 率遥感图像按照预设尺寸进行分区， 获取多个子区域； 在子区域内随机选择任意一点， 并以所述任意一点为中心对子区域进行裁剪， 将裁剪 后的图像作为 候选图像； 根据候选图像的正样本数量对候选图像赋予不同的概率权重， 以确定候选图像被选中 的概率， 将被选中的概 率大的候选图像作为待处 理图像。 3.根据权利要求1所述的系统， 其特征在于， 所述卷积神经网络， 包括： 卷积特征编码 层、 多阶段信息融合层和特 征解码层； 卷积特征编码层， 使用大卷积核对待处理图像进行图像浅层特征的提取， 获取时相1浅 层特征和时相2浅层特征， 对时相1浅层特征和时相2浅层特征进 行拼获取前期融合特征， 将 时相1浅层特征、 时相2浅层特征和前期融合特征分别输入孪生网络， 通过多层卷积获取待 处理图像的时相1特 征图、 时相2特 征图和前期融合特 征图； 多阶段信 息融合层， 将处于同一分辨率下的时相1特征图和时相2特征图做差分、 相加、 拼接后和前期 融合特征图进行拼接， 在拼接完成后， 通过通道注意力进行通道维的信息筛 选， 获取中期融合特 征图； 特征解码层， 对时相1特征图、 时相2特征图和中期融合特征图进行解码， 获取时相1解 码特征图、 时相2 解码特征图和中期融合解码特征图， 并将时相1解码特征图和时相2 解码特 征图作为补充信息， 将补充信息与中期 融合解码特征图进行融合， 获取待处理图像的特征 解码图。 4.根据权利要求1所述的系统， 其特征在于， 所述卷积神经网络为AlexNet网络、 GoogLeNet网络、 VG G网络或ResNe网络 。 5.一种适用于检测建筑物变化的方法， 其特 征在于， 所述方法包括： 采集目标建筑物的高分辨 率遥感图像， 并将所述高分辨 率遥感图像作为训练集； 对训练集进行训练， 获取待处理图像， 并将所述待处理图像输入至卷积神经网络， 通过 卷积神经网络对待处 理图像进行 预处理， 获取待处 理图像的特 征解码图； 根据所述特 征解码图确定建筑物的变化情况。 6.根据权利要求5所述的方法， 其特征在于， 所述对训练集进行训练， 获取待处理图像， 包括： 对目标建筑物的高分辨 率遥感图像按照预设尺寸进行分区， 获取多个子区域； 在子区域内随机选择任意一点， 并以所述任意一点为中心对子区域进行裁剪， 将裁剪 后的图像作为 候选图像；权　利　要　求　书 1/2 页 2 CN 115170959 A 2根据候选图像的正样本数量对候选图像赋予不同的概率权重， 以确定候选图像被选中 的概率， 将被选中的概 率大的候选图像作为待处 理图像。 7.根据权利要求5所述的方法， 其特征在于， 所述卷积神经网络， 包括： 卷积特征编码 层、 多阶段信息融合层和特 征解码层； 卷积特征编码层， 使用大卷积核对待处理图像进行图像浅层特征的提取， 获取时相1浅 层特征和时相2浅层特征， 对时相1浅层特征和时相2浅层特征进 行拼获取前期融合特征， 将 时相1浅层特征、 时相2浅层特征和前期融合特征分别输入孪生网络， 通过多层卷积获取待 处理图像的时相1特 征图、 时相2特 征图和前期融合特 征图； 多阶段信 息融合层， 将处于同一分辨率下的时相1特征图和时相2特征图做差分、 相加、 拼接后和前期 融合特征图进行拼接， 在拼接完成后， 通过通道注意力进行通道维的信息筛 选， 获取中期融合特 征图； 特征解码层， 对时相1特征图、 时相2特征图和中期融合特征图进行解码， 获取时相1解 码特征图、 时相2 解码特征图和中期融合解码特征图， 并将时相1解码特征图和时相2 解码特 征图作为补充信息， 将补充信息与中期 融合解码特征图进行融合， 获取待处理图像的特征 解码图。 8.根据权利要求5所述的方法， 其特征在于， 所述卷积神经网络为AlexNet网络、 GoogLeNet网络、 VG G网络或ResNe网络 。权　利　要　求　书 2/2 页 3 CN 115170959 A 3