1.一种结合卷积神经网络和Transformer的遥感影像变化检测方法，其特征在于：包括以下步骤：

步骤1、构造变化检测数据集，将大幅面遥感影像以及对应的变化标签图按照统一尺度进行裁剪，然后将裁剪好的T1时相图像，T2时相图像以及变化标签图按照7：1：2的比例分为训练集，验证集和测试集；

步骤2、读取步骤1构造好的变化检测数据集，并进行数据增强，在网络训练阶段，读取训练集和验证集的图像数据，其中仅对训练集数据进行数据增强操作，而训练集和验证集数据都要进行归一化处理并且转换为张量形式；

步骤3、构建变化检测网络，包括：特征提取网络，金字塔语义标记生成模块，Transformer结构，上采样模块以及网络输出头，所述特征提取网络被设计为孪生网络结构，孪生网络的两个分支结构完全相同，并且二者之间共享权重；孪生网络采用ResNet18残差网络分别提取T1时相和T2时相图像的多尺度特征，在ResNet18网络中，为了保留高分辨率特征中的细节信息，取消了最大池化层以提高变化检测效果；

所述金字塔语义标记生成模块用于将特征以一些紧凑的语义Token来表示，具体的，将双时相特征的融合特征通过空间金字塔池化下采样为4个不同尺度的特征，将四个池化特征沿空间维度展平为一维序列矩阵，沿通道维度将四个序列矩阵拼接，形成金字塔语义PToken；

所述Transformer结构用于对特征的全局信息建模，所述Transformer结构包括一个编码器和一个解码器，编码器和解码器均设置为一层；

具体的，所述编码器用于在PToken的特征空间中对全局信息建模，所述Transformer编码器由层归一化、多头自注意力机制和前馈神经网络组成，层归一化用于加速网络收敛，多头自注意力机制用于对特征的全局依赖性进行建模，前馈神经网络用于在高维空间中筛选信息；所述解码器用于编码器的输出与解码器的输入特征之间的信息交互；

步骤4、将步骤2读取的数据输入到步骤3构建的变化检测网络中，对其进行训练以及验证；

步骤5、读取步骤1构建的测试集，将经过预处理的数据输入到训练好的变化检测模型中，得到变化检测结果。

2.根据权利要求1所述的一种结合卷积神经网络和Transformer的遥感影像变化检测方法，其特征在于：所述上采样模块用于恢复深层特征的分辨率，所述上采样模块被设计为瓶颈结构，具体流程为：首先通过逐点卷积将特征维度 压缩至 ，然后使用卷积核为 的转置卷积恢复特征分辨率到 ，最后再执行一次逐点

卷积恢复特征的通道数 ，并且在每次卷积和转置卷积后适用批量归一化和修正线性激活函数；在上采样过程中，采用特征逐元素相加来聚合多层语义信息；在特征分辨率恢复到与输入图像相同后，采用两个卷积单元将通道数压缩为1，并且两个卷积单元中间添加了一个激活函数，最后采用Sigmoid函数将特征缩放到[0,1]以生成变化概率图。

3.根据权利要求1所述的一种结合卷积神经网络和Transformer的遥感影像变化检测方法，其特征在于：所述步骤4具体过程为：将步骤2经过预处理的数据输入到步骤3所构建的网络中，计算网络预测与真实变化标签的损失函数，经过反向传播的不断迭代，逐步优化网络权重参数，直至网络收敛；其中，采用二元交叉熵损失函数对网络参数进行优化。

4.根据权利要求1所述的一种结合卷积神经网络和Transformer的遥感影像变化检测方法，其特征在于：所述步骤5具体过程为：读取步骤1构建的测试集，经过归一化处理和张量转换，将经过预处理的数据输入到训练好的变化检测网络中，得到预测概率图，最后转换为变化检测结果。