1.一种遥感影像变化检测方法，其特征在于，该方法包括以下步骤：
1)获取待检测的遥感影像对，分别为第一遥感影像和第二遥感影像，第一遥感影像和第二遥感影像尺度大小相同；
2)构建变化检测模型，所述变化检测模型包括编码部分和解码部分，编码部分采用孪生网络，解码部分采用上采样网络，编码部分和解码部分采用注意力模块连接；
所述孪生网络包括第一网络分支和第二网络分支，第一网络分支和第二网络均采用若干层残差连接模块进行特征提取，第一网络分支用于对第一遥感影像进行特征提取，以得到不同尺度的第一遥感影像特征，第二网络分支用于对第二遥感影像进行特征提取，以得到不同尺度的第二遥感影像特征；第一网络分支和第二网络分支之间通过密集连接方式将同样尺度的第一遥感影像特征和第二遥感影像特征进行叠加融合，得到不同尺度的融合特征；
所述的注意力模块用于分别对不同尺度的融合特征进行特征增强处理；所述解码部分用于通过上采样网络将特征增强处理后的不同尺度特征进行特征恢复和融合，以得到变化检测结果。
2.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述的残差连接模块包括第一卷积层、第二卷积层、第一正则化层、第二正则化层、激活层和叠加模块，第一卷积层用于对输入的特征进行卷积操作，第一卷积层输出经过第一正则化层和激活层处理后依次输入到第二卷积层和第二正则化层，经过再次卷积和正则化处理后输入到叠加模块，用于对第二正则化层输出的特征和第一卷积层输出的特征进行叠加处理，叠加后的特征即为该残差连接模块的输出。
3.根据权利要求1或2所述的遥感影像变化检测方法，其特征在于，所述的密集连接包括对上采样层和叠加层，所述上采样层用于对第二网络分支中某一层残差连接模块的输出进行上采样，叠加层用于对上采样的结果与第二网络分支中上一层残差连接模块的输出与第一网络分支中对应层残差连接模块的输出进行叠加处理。
4.根据权利要求3所述的遥感影像变化检测方法，其特征在于，所述的注意力模块采用卷积注意力模块。
5.根据权利要求4所述的遥感影像变化检测方法，其特征在于，所述的第一网络分支包括N层残差连接模块，第二网络分支包括N+1层残差连接模块，N大于等于3；其中第一网络分支的第一层残差连接模块的输入为第一遥感影像，输出为与第一遥感影像尺度大小相同的卷积特征；第一网络分支的第二层残差连接模块的输入为第一层残差连接模块的输出，输出为尺度大小是第一遥感影像1/2的卷积特征，第一网络分支的第N层残差连接模块的输入为第N-1层残差连接模块的输出，输出为尺度大小是第一遥感影像1/2N-1的卷积特征；第二网络分支的第一层残差连接模块的输入为第二遥感影像，输出为与第二遥感影像尺度大小相同的卷积特征；第二网络分支的第二层残差连接模块的输入为第一层残差连接模块的输出，输出为尺度大小是第一遥感影像1/2的卷积特征，第二网络分支的第N+1层残差连接模块的输入为第N层残差连接模块的输出，输出为尺度大小是第二遥感影像1/2N的卷积特征。
6.根据权利要求5所述的遥感影像变化检测方法，其特征在于，所述的密集连接包括N个，第N个密集连接的上采样层的输入为第二网络分支的第N+1层残差连接模块的输出，第N个密集连接的叠加层用于对该密集连接的上采样层的输出、第一网络分支的第N层残差连接模块的输出以及第二网络分支的第N层残差连接模块的输出进行叠加处理，叠加结果为该密集连接的输出；第N-1个密集连接的上采样层的输入为第N个密集连接输出，第N-1个密集连接的叠加层用于对该密集连接的上采样层的输出、第一网络分支的第N-1层残差连接模块的输出以及第二网络分支的第N-1层残差连接模块的输出进行叠加处理，叠加结果为N-1个密集连接的输出。
7.根据权利要求5所述的遥感影像变化检测方法，其特征在于，所述的N为4。
8.根据权利要求4-7中任一项所述的遥感影像变化检测方法，其特征在于，所述变化检测模型在训练时采用加权交叉熵和Dice Loss的混合损失函数。
9.根据权利要求8所述的遥感影像变化检测方法，其特征在于，采用的加权交叉熵的损失函数为：
其中i表示某一像素点；w是权重系数；yi、pi分别表示该像素点i的预测标签和像素点i属于变化类的概率。
10.根据权利要求8所述的遥感影像变化检测方法，其特征在于，采用的Dice Loss的损失函数为：
其中Y代表样本的真实值，![]()
表示样本的预测值。
