CN110705457B - 一种遥感影像建筑物变化检测方法 - Google Patents

Abstract

本发明属于遥感图像处理技术领域，具体涉及到一种遥感影像建筑物变化检测方法，其包括以下操作步骤：(1)读入图像并进行预处理；(2)制作样本数据集；(3)构建基于注意力机制和特征金字塔的网络模型；(4)选取训练样本对网络模型进行训练；(5)选取验证样本对网络模型进行验证；(6)使用训练好的模型进行分类，输出最终变化检测结果。该方法通过引入特征金字塔网络，将注意力机制用于各层级的多尺度特征融合过程中，逐层增强特征，用作不同尺度大小的目标检测；通过应用可变形卷积和空洞卷积，使网络获得自动适应物体形变的特征表达能力，在扩大感受野的同时保留特征尺寸，获取多尺度信息，有效降低虚警率，提高检测精度。

Description

一种遥感影像建筑物变化检测方法

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种遥感影像建筑物变化检测方法。

背景技术

变化检测是遥感领域重要的研究方向，在民用和军用方面都有着广泛的用途，例如军事目标监测、战场情报分析、国土督察、灾害评估、城市规划等领域。变化检测是通过对物体或现象进行多次观测以检测和提取发生在物体或现象中变化信息的技术手段。

遥感技术具有宏观、实时、高效、高分辨率等优势，为建筑物变化检测提供了新的技术手段。高空间分辨率、高光谱分辨率、高时间分辨率、多平台、多角度、多传感器是当今遥感技术发展的趋势。卫星影像的空间分辨率已达到米级或亚米级，能够表达出更丰富的几何、纹理等细节信息，但是目标本身的颜色、纹理等变化也更为复杂，与邻近地物的关系更精确，变化检测的难度随之增大。

对于建筑物变化检测方法来说大致可以分为两类：一是基于传统图像处理的方法，二是基于深度学习的方法。基于传统图像处理的方法分为三个层级，像素级、特征级和目标级图像处理，此类方法人工参与较多，结果存在很多伪变化区域。例如，像素级检测方法只考虑原始单个像素的特征，不包含邻近像素的空间关系等信息，易受噪声干扰；特征级检测方法的效果取决于建筑物特征(边缘、纹理、形状等)提取的结果，并且在特征提取过程中可能会损失一些信息；目标级检测方法是针对建筑物、道路、水体等某类变化对象进行具体分析，前提是能够实现对感兴趣对象的最佳提取。

伴随人工智能在近几年的兴起，深度学习技术得到飞速发展，并在语音识别、计算机视觉、大数据分析等领域广泛应用并取得了较好的效果，将深度学习算法引入到遥感影像特征提取与分析中，并提出使用卷积神经网络、递归神经网络、深度信念网络等从影像中学习适合变化检测的特征表示，以提高检测精度和效率是未来发展的前景。因此，需要研究一种如何利用深度学习技术对遥感影像上建筑物变化信息进行快速、准确的提取，并可为国土督察、地理信息更新等业务提供更有效、便捷的信息支持。

发明内容

本发明的目的是针对现有技术不足，提供一种遥感影像建筑物变化检测方法，通过应用注意力机制对特征进行筛选加权突出显著特征，获得更好的检测性能；用以提高遥感领域变化检测精度和自动化程度，以应对海量遥感数据，从而有助于减轻人力负担，提高工作效率。

本发明的技术方案如下：

一种遥感影像建筑物变化检测方法，包括以下步骤：

步骤一：读入图像并进行预处理；

步骤二：制作样本数据集；

步骤三：构建基于注意力机制和特征金字塔的网络模型；

步骤四：选取训练样本对网络模型进行训练；

步骤五：选取验证样本对网络模型进行验证；

步骤六：使用训练好的模型进行分类，输出最终变化检测结果。

所述步骤一：读入图像并进行预处理包括：选取相同区域两个时相的同等分辨率遥感影像T₁和T₂，包含R、G、B三个通道，具体选取原则：选择不同年份、相近日期和气候气象条件下拍摄的数据，空间分辨率一致，采用相同的预处理方法消除几何、辐射差异等引起的非显著变化；其次，在ENVI软件中利用RPC Orthorectification Workflow流程化工具，结合已知的高分辨率卫星遥感影像RPC参数和控制点坐标对影像进行正射校正；

然后，利用ENVI软件中的配准工具，以其中一幅影像为基准对另一幅影像进行配准操作，并对遥感影像每个通道的数值T₁和T₂依次进行正射校正、图像配准以及归一化处理，使得之后的网络模型训练时能够快速收敛，得到预处理后的图像N₁和N₂。

所述步骤二：制作样本数据集，包括：比对步骤一中预处理图像N₁和N₂，标注图像中建筑物变化区域，得到对应的变化标签图；然后，对标签进行one-hot编码处理，使之成为0和1二通道数据，其中(1,0)代表变化区域，(0,1)代表未变化区域，标签数据的大小要求与输入训练样本影像的大小一致；

接着，将两个时相影像随机裁剪成指定大小的图像块，并按照6:2:2比例划分为训练样本、验证样本和测试样本；最后，对训练样本进行旋转、翻转和缩放等数据增强处理，以提高模型的识别精度和泛化能力。

所述步骤三：构建基于注意力机制和特征金字塔的网络模型，包括：

步骤3.1：网络模型整体采用编码-解码的架构，在编码阶段采用ResNet50，作为基础网络提取特征，所述ResNet50是一种卷积神经网络模型名称，并将具有相同尺寸特征图的结构称为层，使用ResNet50中每层最后一个残差模块的输出特征图组{C₂、C₃、C₄、C₅}，组成自下向上的前向网络；其中，参数C₂、C₃、C₄、C₅分别表示特征图，即ResNet50网络模型中第二层最后一个残差模块输出的特征图标记为C₂，第三层最后一个残差模块输出的特征图标记为C₃，以此类推，组成了输出的特征图组{C₂、C₃、C₄、C₅}。

自下向上的前向网络中，高层特征包含丰富的语义信息，但缺少空间分辨率信息，适合大尺度建筑物检测；低层特征则具有较高的分辨率，但缺少语义信息，适合小尺度建筑物检测；因此针对多尺度建筑物变化检测，有效融合高层语义信息和低层空间分辨率信息十分重要；特征图{C₂、C₃、C₄、C₅}主要用于提供卷积块注意力机制CBAM操作的全局特征；

除此之外，在ResNet50基础网络的残差模块中应用可变形卷积DCN、空洞卷积DC、通道注意力机制CAM等手段以增强特征提取效果，具体是在第四层和第五层的残差模块应用DC，使得在特征提取时保留特征的尺寸，在ResNet50中，第二层到第五层的特征尺寸大小分别为原始图像的1/4、1/8、1/16、1/32，使用DC可以使后面的特征尺寸提高，这里使用空洞扩张率为2和4的卷积代替原始第四层和第五层卷积，使得第二层到第五层的特征图尺寸变为1/4、1/8、1/8、1/8，而更大的特征尺寸更有利于后续的特征融合，能使网络较少丢失特征的空间信息；在第三层、第四层和第五层的残差模块应用DCN，能让网络在学习特征时额外学习到特征的偏移程度，获得自动适应物体形变的特征表达能力，使得特征的提取更为精准；在所有的残差模块使用了CAM，能让网络学习到不同特征的重要性程度不同，能让更重要的特征具有更大的权重，提升网络性能；

步骤3.2：在解码阶段特征融合时，第一步是对第五层输出的特征图C₅进行金字塔池化PPM操作，在特征融合时引入上下文信息和全局信息以减少误判；具体包括：首先采用全局平均池化操作对特征图C₅分别池化到1×1、2×2、3×3、6×6四种不同尺寸大小，得到4个特征图；然后对池化后的结果进行1×1卷积将通道减少到原来的1/4，再上采样到与特征图C₅相同尺寸；接着将特征图C₅与上采样得到的特征图按通道维度进行concat连接法，再用1×1卷积将通道缩小一半，最终得到与C₅尺寸和通道一致的特征融合结果C₅'；

第二步是将每层最后一个残差模块的输出特征图组{C₂、C₃、C₄、C₅}分别进行CBAM操作，得到逐层增强后的特征图{M₂、M₃、M₄、M₅}，通过CBAM在丰富的特征中筛选出显著的局部特征，实现了逐层特征图的增强，可有效剔除虚警目标；

CBAM将注意力机制同时运用在通道和空间两个维度上，串联融合了通道注意力和空间注意力；以编码阶段特征提取网络ResNet50中的第五层为例说明CBAM计算过程，输入特征图C₅包含通道数为C、每个通道图像高度和宽度分别为H和W，CBAM首先把输入特征图C₅通过通道注意力机制得到通道注意力图A₅，A₅包含通道数为C、每个通道图像高度和宽度分别为1和1；将C₅与A₅像素级相乘后得到通过通道注意力机制的特征图B₅，B₅包含通道数为C、每个通道图像高度和宽度分别为H和W；然后B₅通过空间注意力机制得到空间注意力图D₅，D₅包含通道数为1、每个通道图像高度和宽度分别为H和W；最后B₅与D₅像素级相乘后得到通过CBAM的特征图M₅，M₅包含通道数为C、每个通道图像高度和宽度分别为H和W，计算结束；

第三步是将PPM操作得到的特征图C₅'与CBAM操作得到的逐层增强后的特征图{M₂、M₃、M₄、M₅}进行横向连接，使用自上而下的方式逐级concat连接计算特征金字塔，得到自上而下的网络分支{P₂、P₃、P₄、P₅}，融合了不同阶段和不同分辨率的多尺度特征；其中，特征图C₅'经CBAM操作得到特征图M₅，将M₅与特征图C₅'进行concat连接，得到特征图P₅；特征图C₄经CBAM操作得到特征图M₄，将M₄与特征图P₅进行concat连接，得到特征图P₄；以此类推，得自上而下逐层横向连接后特征图网络分支{P₂、P₃、P₄、P₅}；

第四步是将自上而下逐级连接计算得到的特征金字塔最后一层特征图P₂进行DCN操作，并将输出的特征图上采样至原始输入图像大小，最后输出图像的变化检测结果图。

所述步骤四选取训练样本对网络模型进行训练，包括：利用步骤二制作的训练样本和步骤三构建的网络模型进行训练，优化器使用Adam，学习率0.0001，损失函数使用DiceLoss，通过计算损失函数误差，采用反向传播算法不断优化调整网络权值和偏置；所述Dice为损失函数名称，在深度学习领域经常会用Dice系数作为损失函数来计算预测值与实际值的偏离程度，所述Adam是深度学习领域的一种优化器名称，用于寻找模型最优解的优化算法，中文名称是适用性矩估计adaptive moment estimation。

所述步骤五选取验证样本对网络模型进行验证包括：利用步骤二制作的验证样本对步骤四训练的网络模型进行验证，防止训练过拟合现象的发生，每次训练时均需输出验证数据结果的误差，当该误差由逐渐变小的趋势变为逐渐变大的趋势时，终止迭代，模型训练完成。

所述步骤六使用训练好的模型进行分类，输出最终变化检测结果包括：利用步骤五训练完成的网络模型对步骤二制作的测试样本进行预测，得到最终的建筑物变化检测结果图。

本发明的有益效果是：

本发明设计的一种遥感影像建筑物变化检测方法，该方法通过应用注意力机制对特征进行筛选加权，突出显著特征，获得更好的检测性能；通过引入特征金字塔网络，将注意力机制用于各层级的多尺度特征融合过程中，逐层增强特征，用作不同尺度大小的目标检测；通过应用可变形卷积和空洞卷积，使网络获得自动适应物体形变的特征表达能力，在扩大感受野的同时保留特征尺寸，获取多尺度信息，有效降低虚警率，提高检测精度。本发明方法的自动化程度较高，可以应对海量遥感数据，从而有助于减轻人力负担，提高效率，适用范围广泛。

附图说明

图1为本发明设计的一种基于注意力机制和特征金字塔网络的遥感影像建筑物变化检测方法流程图；

图2为本发明构建的网络模型结构示意图；

图3时相1测试样本图像图；

图4时相2测试样本图像图

图5为使用本发明方法所构建网络模型检测的建筑物变化结果图；

图6为建筑物变化实际专家标注变化结果图。

具体实施方式

为了更好的说明本发明涉及的一种基于注意力机制和特征金字塔网络的遥感影像建筑物变化检测方法，下面结合附图和具体实施例，对本发明作进一步详细描述：

步骤1，读入图像并进行预处理。

首先，选取相同区域两个时相的高分辨率遥感影像T₁和T₂，包含有R、G、B三个通道，具体选取原则：选择不同年份、相近日期和气候气象条件下拍摄的数据，空间分辨率一致，采用相同的预处理方法消除几何、辐射差异等引起的非显著变化。

其次，在ENVI软件中利用RPC Orthorectification Workflow流程化工具，结合已知的高分辨率卫星遥感影像RPC参数和控制点坐标对影像进行正射校正。

然后，利用ENVI软件中的配准工具，以其中一幅影像为基准对另一幅影像进行配准操作。

最后，对遥感影像每个通道的数值进行归一化，使得之后的网络模型训练时能够快速收敛，得到预处理后的图像N₁和N₂。

步骤2，制作样本数据集。

比对上述预处理图像N₁和N₂，标注图像中建筑物变化区域，得到对应的变化标签图，并对标签进行one-hot编码处理，使之成为0和1二通道数据，其中(1,0)代表变化区域，(0,1)代表未变化区域，标签数据的大小要求与输入训练样本影像的大小一致，本发明中标签大小设置为256×256。

接着，将两个时相影像随机裁剪成指定大小的图像块，本发明中图像块大小设置为256×256(可根据计算机性能调整)，并按照6:2:2比例划分为训练样本、验证样本和测试样本。

最后，对训练样本进行旋转、翻转和缩放等数据增强处理，以提高模型的识别精度和泛化能力。

步骤3，构建基于注意力机制和特征金字塔的网络模型。

1)网络模型整体采用编码-解码的架构，在编码阶段采用ResNet50作为基础网络提取特征，并将具有相同尺寸特征图的结构称为层，使用ResNet50中每层最后一个残差模块的输出{C₂、C₃、C₄、C₅}组成自下向上的前向网络。

自下向上的前向网络中，高层特征包含丰富的语义信息，但缺少空间分辨率信息，适合大尺度建筑物检测。低层特征则具有较高的分辨率，但缺少语义信息，适合小尺度建筑物检测。因此针对多尺度建筑物变化检测，有效融合高层语义信息和低层空间分辨率信息十分重要。特征图{C₂、C₃、C₄、C₅}主要用于提供卷积块注意力机制(CBAM)操作的全局特征。

除此之外，在ResNet50基础网络的残差模块中应用可变形卷积(DCN)、空洞卷积(DC)、通道注意力机制(CAM)等手段以增强特征提取效果。具体是在第四层和第五层的残差模块应用了DC，使得在特征提取时保留特征的尺寸，在ResNet50中，第二层到第五层的特征尺寸大小分别为原始图像的1/4、1/8、1/16、1/32，使用DC可以使后面的特征尺寸提高，这里使用空洞扩张率为2和4的卷积代替原始第四层和第五层卷积，使得第二层到第五层的特征图尺寸变为1/4、1/8、1/8、1/8，而更大的特征尺寸更有利于后续的特征融合，能使网络较少丢失特征的空间信息；在第三层、第四层和第五层的残差模块应用了DCN，能让网络在学习特征时额外学习到特征的偏移程度，获得自动适应物体形变的特征表达能力，使得特征的提取更为精准；在所有的残差模块使用了CAM，具体是在空间维度上进行压缩，通过平均池化和最大池化两个函数得到两个一维矢量，结合多层感知机模型参数计算在通道维度上提取的特征图，并与输入特征图进行像素级相乘得到CAM操作后的特征图，这样能使网络学习到不同特征的重要性程度不同，能让更重要的特征具有更大的权重，提升网络性能。

2)在解码阶段特征融合时，第一步是对第五层输出的特征图C₅进行金字塔池化(PPM)操作，在特征融合时引入上下文信息和全局信息以减少误判。具体包括：首先采用全局平均池化操作对特征图C₅分别池化到1×1、2×2、3×3、6×6四种不同尺寸大小，得到4个特征图；然后对池化后的结果进行1×1卷积将通道减少到原来的1/4，再上采样到与特征图C₅相同尺寸；接着将特征图C₅与上采样得到的特征图按通道维度进行concat连接，再用1×1卷积将通道缩小一半，最终得到与C₅尺寸和通道一致的特征融合结果C₅'。

第二步是将每层最后一个残差模块的输出{C₂、C₃、C₄、C₅}分别进行CBAM操作，得到逐层增强后的特征图{M₂、M₃、M₄、M₅}，通过CBAM在丰富的特征中筛选出显著的局部特征，实现了逐层特征图的增强，可有效剔除虚警目标。

CBAM将注意力机制同时运用在通道和空间两个维度上，串联融合了通道注意力和空间注意力。以编码阶段特征提取网络ResNet50中的第五层为例说明CBAM计算过程，输入特征图C₅包含通道数为C、每个通道图像高度和宽度分别为H和W，CBAM首先把输入特征图C₅通过通道注意力机制得到通道注意力图A₅，A₅包含通道数为C、每个通道图像高度和宽度分别为1和1；将C₅与A₅像素级相乘后得到通过通道注意力机制的特征图B₅，B₅包含通道数为C、每个通道图像高度和宽度分别为H和W；然后B₅通过空间注意力机制得到空间注意力图D₅，D₅包含通道数为1、每个通道图像高度和宽度分别为H和W；最后B₅与D₅像素级相乘后得到通过CBAM的特征图M₅，M₅包含通道数为C、每个通道图像高度和宽度分别为H和W，计算结束。

第三步是将PPM操作得到的特征图C₅'与CBAM操作得到的逐层增强后的特征图{M₂、M₃、M₄、M₅}进行横向连接，使用自上而下的方式逐级concat连接计算特征金字塔，得到自上而下的网络分支{P₂、P₃、P₄、P₅}，融合了不同阶段和不同分辨率的多尺度特征。

以P₅和P₄为例说明自上而下逐级连接计算特征金字塔的具体过程，首先将C₅经PPM操作得到的特征图C₅'与经CBAM操作得到特征图M₅，使用concat方式进行连接，之后进行一次1×1卷积操作将通道数减少到原来的1/2，得到连接后的特征图P₅；再将C₄经CBAM操作得到的特征图M₄与P₅，使用concat方式进行连接，之后进行一次1×1卷积操作将通道数减少到原来的1/2，得到连接后的特征图P₄。P₃和P₂的计算过程类似。

第四步是将自上而下逐级连接计算得到的特征金字塔最后一层特征图P₂进行DCN操作，并将输出的特征图上采样至原始输入图像大小(256×256)，最后输出图像的变化检测结果图。

步骤4，选取训练样本对网络模型进行训练。

利用步骤2制作的训练样本和步骤3构建的网络模型进行训练，优化器使用Adam，学习率0.0001，损失函数使用Dice Loss，通过输入训练样本数据得到变化检测结果，并计算检测结果与真值标签之间的损失函数，使用误差的反向传播算法，不断调整优化网络模型中的权值和偏置。

步骤5，选取验证样本对网络模型进行验证。

利用步骤2制作的验证样本对步骤4训练的网络模型进行验证，要求在网络训练完成前，验证样本集不能改变，并与训练样本集不重合。验证样本的作用是为了防止训练过拟合现象的发生，每次训练时均需输出验证数据结果的误差，当该误差由逐渐变小的趋势变为逐渐变大的趋势时，终止迭代，模型训练完成；否则继续上面的训练步骤，直至满足终止条件，训练结束。

步骤6，使用训练好的模型进行分类，输出最终变化检测结果。

利用步骤5训练完成的网络模型对步骤2制作的测试样本进行预测，得到最终的建筑物变化检测结果图。

Claims (7)

1.一种遥感影像建筑物变化检测方法，其特征在于包括以下步骤：

步骤一：读入图像并进行预处理；

步骤二：制作样本数据集；

步骤三：构建基于注意力机制和特征金字塔的网络模型，包括：

步骤3.1：网络模型整体采用编码-解码的架构，在编码阶段采用ResNet50作为基础网络提取特征，并将具有相同尺寸特征图的结构称为层，使用ResNet50中每层最后一个残差模块的输出特征图组{C₂、C₃、C₄、C₅}组成自下向上的前向网络；

步骤3.2：在解码阶段特征融合时，第一步对第五层输出的特征图C₅进行金字塔池化PPM操作，在特征融合时引入上下文信息和全局信息以减少误判；第二步将每层最后一个残差模块的输出特征图组{C₂、C₃、C₄、C₅}分别进行CBAM操作，得到逐层增强后的特征图{M₂、M₃、M₄、M₅}，通过CBAM在丰富的特征中筛选出显著的局部特征，实现逐层特征图的增强；

第三步将PPM操作得到的特征图C₅′与CBAM操作得到的逐层增强后的特征图{M₂、M₃、M₄、M₅}进行横向连接；

步骤四：选取训练样本对网络模型进行训练；

步骤五：选取验证样本对网络模型进行验证；

步骤六：使用训练好的模型进行分类，输出最终变化检测结果。

2.根据权利要求1所述的一种遥感影像建筑物变化检测方法，其特征在于：所述步骤一：读入图像并进行预处理包括：选取相同区域两个时相的同等分辨率遥感影像T₁和T₂，包含R、G、B三个通道，具体选取原则：选择不同年份、相近日期和气候气象条件下拍摄的数据，空间分辨率一致，采用相同的预处理方法消除几何、辐射差异引起的非显著变化；其次，在ENVI软件中利用RPC Orthorectification Workflow流程化工具，结合已知的高分辨率卫星遥感影像RPC参数和控制点坐标对影像进行正射校正；

然后，利用ENVI软件中的配准工具，以其中一幅影像为基准对另一幅影像进行配准操作，并对遥感影像每个通道的数值T₁和T₂依次进行正射校正、图像配准以及归一化处理，使得之后的网络模型训练时能够快速收敛，得到预处理后的图像N₁和N₂。

3.根据权利要求2所述的一种遥感影像建筑物变化检测方法，其特征在于：所述步骤二：制作样本数据集，包括：比对步骤一中预处理图像N₁和N₂，标注图像中建筑物变化区域，得到对应的变化标签图；然后，对标签进行one-hot编码处理，使之成为0和1二通道数据，其中(1,0)代表变化区域，(0,1)代表未变化区域，标签数据的大小要求与输入训练样本影像的大小一致；

接着，将两个时相影像随机裁剪成指定大小的图像块，并按照6:2:2比例划分为训练样本、验证样本和测试样本；最后，对训练样本进行旋转、翻转和缩放数据增强处理，以提高模型的识别精度和泛化能力。

4.根据权利要求3所述的一种遥感影像建筑物变化检测方法，其特征在于：所述步骤3.1：网络模型整体采用编码-解码的架构，在编码阶段采用ResNet50作为基础网络提取特征，所述ResNet50是一种卷积神经网络模型名称；并将具有相同尺寸特征图的结构称为层，使用ResNet50中每层最后一个残差模块的输出特征图组{C₂、C₃、C₄、C₅}组成自下向上的前向网络；其中，参数C₂、C₃、C₄、C₅分别表示ResNet50网络模型中每层最后一个残差模块输出的特征图标记，即ResNet50网络模型中第二层最后一个残差模块输出的特征图标记为C₂，第三层最后一个残差模块输出的特征图标记为C₃，以此类推组成了输出的特征图组{C₂、C₃、C₄、C₅}；

自下向上的前向网络中，高层特征包含丰富的语义信息，但缺少空间分辨率信息，适合大尺度建筑物检测；低层特征则具有较高的分辨率，但缺少语义信息，适合小尺度建筑物检测；因此针对多尺度建筑物变化检测，有效融合高层语义信息和低层空间分辨率信息十分重要；特征图{C₂、C₃、C₄、C₅}主要用于提供卷积块注意力机制CBAM操作的全局特征；

除此之外，在ResNet50基础网络的残差模块中应用可变形卷积DCN、空洞卷积DC、通道注意力机制CAM手段以增强特征提取效果，具体是在第四层和第五层的残差模块应用DC，使得在特征提取时保留特征的尺寸，在ResNet50中，第二层到第五层的特征尺寸大小分别为原始图像的1/4、1/8、1/16、1/32，使用DC可以使后面的特征尺寸提高，这里使用空洞扩张率为2和4的卷积代替原始第四层和第五层卷积，使得第二层到第五层的特征图尺寸变为1/4、1/8、1/8、1/8，而更大的特征尺寸更有利于后续的特征融合，能使网络较少丢失特征的空间信息；在第三层、第四层和第五层的残差模块应用DCN，能让网络在学习特征时额外学习到特征的偏移程度，获得自动适应物体形变的特征表达能力，使得特征的提取更为精准；在所有的残差模块使用了CAM，能让网络学习到不同特征的重要性程度不同，能让更重要的特征具有更大的权重，提升网络性能；

所述步骤3.2：在解码阶段特征融合时，第一步对第五层输出的特征图C₅进行金字塔池化PPM操作，在特征融合时引入上下文信息和全局信息以减少误判；具体包括：首先采用全局平均池化操作对特征图C₅分别池化到1×1、2×2、3×3、6×6四种不同尺寸大小，得到4个特征图；然后对池化后的结果进行1×1卷积将通道减少到原来的1/4，再上采样到与特征图C₅相同尺寸；接着将特征图C₅与上采样得到的特征图按通道维度进行concat连接法，再用1×1卷积将通道缩小一半，最终得到与C₅尺寸和通道一致的特征融合结果C₅′；

所述第二步将每层最后一个残差模块的输出特征图组{C₂、C₃、C₄、C₅}分别进行CBAM操作，得到逐层增强后的特征图{M₂、M₃、M₄、M₅}，通过CBAM在丰富的特征中筛选出显著的局部特征，实现了逐层特征图的增强，可有效剔除虚警目标；

CBAM将注意力机制同时运用在通道和空间两个维度上，串联融合了通道注意力和空间注意力；以编码阶段特征提取网络ResNet50中的第五层为例说明CBAM计算过程，输入特征图C₅包含通道数为C、每个通道图像高度和宽度分别为H和W，CBAM首先把输入特征图C₅通过通道注意力机制得到通道注意力图A₅，A₅包含通道数为C、每个通道图像高度和宽度分别为1和1；将C₅与A₅像素级相乘后得到通过通道注意力机制的特征图B₅，B₅包含通道数为C、每个通道图像高度和宽度分别为H和W；然后B₅通过空间注意力机制得到空间注意力图D₅，D₅包含通道数为1、每个通道图像高度和宽度分别为H和W；最后B₅与D₅像素级相乘后得到通过CBAM的特征图M₅，M₅包含通道数为C、每个通道图像高度和宽度分别为H和W，计算结束；

所述第三步将PPM操作得到的特征图C₅′与CBAM操作得到的逐层增强后的特征图{M₂、M₃、M₄、M₅}进行横向连接，使用自上而下的方式逐级concat连接计算特征金字塔，得到自上而下的网络分支{P₂、P₃、P₄、P₅}，融合了不同阶段和不同分辨率的多尺度特征；其中，特征图C₅′经CBAM操作得到特征图M₅，将M₅与特征图C₅′进行concat连接，得到特征图P₅；特征图C₄经CBAM操作得到特征图M₄，将M₄与特征图P₅进行concat连接，得到特征图P₄；以此类推，得到自上而下逐层横向连接后的特征图网络分支{P₂、P₃、P₄、P₅}；

第四步是将自上而下逐级连接计算得到的特征金字塔最后一层特征图P₂进行DCN操作，并将输出的特征图上采样至原始输入图像大小，最后输出图像的变化检测结果图。

5.根据权利要求4所述的一种遥感影像建筑物变化检测方法，其特征在于：所述步骤四选取训练样本对网络模型进行训练，包括：利用步骤二制作的训练样本和步骤三构建的网络模型进行训练，优化器使用Adam软件，学习率0.0001，损失函数使用Dice Loss，通过计算损失函数误差，采用反向传播算法不断优化调整网络权值和偏置，所述Dice为损失函数名称，在深度学习领域常用Dice系数作为损失函数来计算预测值与实际值的偏离程度。

6.根据权利要求5所述的一种遥感影像建筑物变化检测方法，其特征在于：所述步骤五选取验证样本对网络模型进行验证包括：利用步骤二制作的验证样本对步骤四训练的网络模型进行验证，防止训练过拟合现象的发生，每次训练时均需输出验证数据结果的误差，当该误差由逐渐变小的趋势变为逐渐变大的趋势时，终止迭代，模型训练完成。

7.根据权利要求6所述的一种遥感影像建筑物变化检测方法，其特征在于：所述步骤六使用训练好的模型进行分类，输出最终变化检测结果包括：利用步骤五训练完成的网络模型对步骤二制作的测试样本进行预测，得到最终的建筑物变化检测结果图。