(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 202210540288.6 (22)申请日 2022.05.18 (71)申请人 山东师范大学 地址 250014 山东省济南市历下区文化 东 路88号 (72)发明人 张凯　赵雪　孙建德　张风　 万文博　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 于凤洋 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种遥感图像 变化检测方法及系统 (57)摘要 本公开提供了一种遥感图像变化检测方法 及系统， 针对采集变化之前的图像以及变化之后 的图像进行特征提取， 通过CNN提取局部信息。 基 于构建跨时相Tran sformer以及卷积神经网络 结 构， 充分利用Tran sformer的特性， 使变化前后的 图像分别进入拥有新的注意力机制的跨时相 Transformer、 Tr ansformer  decoder， 提取全局 变化信息， 并经过特征堆叠得到最终变化检测的 结果。 权利要求书2页 说明书8页 附图4页 CN 115049922 A 2022.09.13 CN 115049922 A 1.一种遥感图像 变化检测方法， 其特 征在于， 具体训练步骤 包括： 采集变化之前的图像以及变化之后的图像并进行 预处理获得成对的训练数据； 基于跨时相Transformer的深度神经网络结构， 并利用卷积层对变化前后的图像数据 进行特征提取， 得到原 始特征图； 基于跨时相Transformer的深度神 经网络的跨时相Transformer结构对特征提取后的 特征图进行捕获变化的区域， 得到变化的特 征； 将得到的变化的特征与原始 的特征图进行特征堆叠， 进行卷积特征提取， 得到最终的 变化检测图。 2.如权利要求1所述的一种遥感图像变化检测方法， 其特征在于， 对采集变化前后的图 像大小划定规格， 大小为3 ×256×256， 然后分别对变化前后的图像经过两个相同的残差网 络结构进行 特征提取， 分别输出原 始特征图F1、 F2， 大小为32 ×128×128。 3.如权利要求1所述的一种遥感图像变化检测方法， 其特征在于， 基于跨时相 Transformer的深度神经网络的跨时相Transformer结构 对特征图进行捕获变化的区域， 具 体为： 将变化前后的图像进行特征提取后的特征图F1、 F2分别进行特征分块转化得到 token1、 token2， 然后由所述token1得到query、 value， token2得到key输入跨时相 Transformer， 通过注意力机制捕获变化的区域。 4.如权利要求3所述的一种遥感图像变化检测方法， 其特征在于， 所述token2得到 query、 value， token1得到key输入另一个跨时相Transformer通过注意力 机制捕获变化的 区域， 得到新的to ken3、 token4。 5.如权利要求3所述的一种遥感图像变化检测方法， 其特征在于， 所述特征分块是由一 个卷积核大小为分块的大小， 步长为分块大小的卷积结合Flat ten、 Transpose函数实现。 6.如权利要求3所述的一种遥感图像变化检测方法， 其特征在于， 所述注意力 机制结构 的具体表达式为： 其中Q1、 K1、 V1是由token1线性映射得到的矩阵， Q2、 K2、 V2是由token2线性映射得到的 矩阵， d是Q跟K的列数,abs()表示 绝对值操作,Softmax为归一 化指数函数。 7.如权利要求1所述的一种遥感图像变化检测方法， 其特征在于， 具体的， 对获得的特 征图F1、 F2下采样， 将token3与特征图F1输入到Tran sformer decoder， 将token4与特征图输 入到另一个Transformer  decoder， 得到变化特 征图T1、 T2。 8.如权利要求7所述的一种遥感图像变化检测方法， 其特征在于， 将得到的所述变化特 征图T1与特征图F1， 变化特征图T2与特征图F2分别进行特征堆叠， 得到新的特征变化图T1’、 T2’。 9.如权利要求8所述的一种遥感图像变化检测方法， 其特征在于， 将得到的所述特征变 化图T1’、 T2’进行特征堆叠得到特征图T， 然后将特征图T输入卷积特征提取模块， 输出最终 的变化检测图。权　利　要　求　书 1/2 页 2 CN 115049922 A 210.一种遥感图像 变化检测系统， 其特 征在于， 包括： 图像采集模块， 用于采集变化之前的图像以及变化之后的图像并进行预处理获得成对 的训练数据； 特征提取模块， 用于利用卷积层对变化前后的图像数据进行特征提取， 得到原始特征 图； 特征分块模块， 用于基于跨时相Transformer的深度神经网络的跨时相Transformer结 构对特征提取后的特 征图进行捕获变化的区域， 得到变化的特 征； 特征堆叠模块， 用于将得到的变化的特 征与原始的特征图进行 特征堆叠； 特征训练模块， 用于进行 卷积特征提取， 输出最终的变化检测图。权　利　要　求　书 2/2 页 3 CN 115049922 A 3