CN115731462B 基于多头自-交叉混合注意力的高光谱图像变化检测方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115731462B(45)授权公告日2025.07.08

(21)申请号202211428908.3

(22)申请日2022.11.15

(65)同一申请的已公布的文献号申请公布号CN115731462A

(43)申请公布日2023.03.03

(73)专利权人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人董文倩任俊颖曲家慧肖嵩

李云松

(74)专利代理机构西安智大知识产权代理事务所61215

专利代理师王晶

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

GO6N3/09(2023.01)

(56)对比文件

CN109102529A,2018.12.28CN113887652A,2022.01.04

审查员徐雯晖

权利要求书4页说明书10页附图2页

(51)Int.CI.

GO6V

GO6V

20/10(2022.01)

10/74(2022.01)

(54)发明名称

基于多头自-交叉混合注意力的高光谱图像变化检测方法

(57)摘要

CN115731462B基于多头自-交叉混合注意力的高光谱图像变化检测方法，包括；S101:将双时相高光谱图像输入丰度矩阵学习模块，基于端元共享学习对应的丰度矩阵；S102:根据提取的丰度矩阵和端元矩阵重建图像，不断缩小重建图像与原始图像的差异从而优化丰度矩阵学习网络；S103:对丰度矩阵分块后提取其浅层特征投影到不同的子空间，将对应的矩阵输入多头自-交叉混合注意力机制；S104:多头自交叉混合注意力机制利用相关性差异对图像特征加权，输出抑制两时相图像不变信息同时保留变化信息的差异信息映射；S105:经过多层次自-交叉混合注意力机制的堆叠，不断地强化差异信息；S106:确定最佳网络参数后输出预测的变化检测图。本发明有效提高了

CN115731462B

S101

S101

将双时相高光谱图像输入丰度矩阵学习模块，基于端元共享学习对应的丰度矩阵

S102

根据端元矩阵和丰度重建图像，不断缩小重建图像与原始图像的差异从而优化丰度矩阵学习网络

S103

提取丰度矩阵的浅层特征后切分成小块，将其对应的查询、键、值矩阵输入多头自-交叉混合注意力机制

S104

多头自-交叉混合注意力机制利用相关性差异对图像特征加权，输出差异信息映射

S105

经过多层次自-交叉混合注意力机制的堆叠，不断地强化差异信息

S106

对由分层多头自-交叉混合注意力机制组成的差异信息提取模块进行有监督的训练，确定最佳网络参数

CN115731462B权利要求书1/4页

2

1.基于多头自-交叉混合注意力的高光谱图像变化检测方法，其特征在于，包括以下步

骤；

S101:将双时相高光谱图像分别输入顶点成分分析方法和丰度矩阵学习网络，提取端元矩阵并基于端元共享学习对应的丰度矩阵S;

S102:根据提取的丰度矩阵S和端元矩阵重建图像，不断缩小重建图像与原始图像的差异从而优化丰度矩阵学习网络；

S103:对S101的丰度矩阵S分块后提取其浅层特征经一卷积层投影到不同的子空间并得到对应的Qi,h、K;,h、Vi,矩阵后输入多头自-交叉混合注意力机制；

S104:多头自交叉混合注意力机制利用相关性差异对其输入加权，输出抑制两时相图像不变信息同时保留变化信息的差异信息映射；

S105:经过多个多头自-交叉混合注意力机制的堆叠，即多层次多头自-交叉混合注意力机制，不断地强化差异信息；

S106:对由多层次多头自-交叉混合注意力机制组成的差异信息提取模块进行有监督的训练，确定最佳网络参数后输出预测的变化检测图。

2.根据权利要求1所述的基于多头自-交叉混合注意力的高光谱图像变化检测方法，其特征在于，所述步骤S101具体为：

高光谱图像分为端元矩阵和丰度矩阵的线性组合，其矩阵形式表示为：

其中Y=[y?,y?,…,yu]∈RB×表示高光谱图像，B为光谱波段数，M为像素个数，A=[n,n?,…,ny]∈RB×表示端元矩阵，S=[s?,S?,…,su]∈R×表示丰度矩阵，N表示端元数量，n