1.一种基于多层级差异特征融合的遥感图像变化检测方法，其特征在于，包括如下步骤：S1，将变化检测原数据集图片按照指定大小裁切成不重叠的子图，并划分为训练集、验证集、测试集；在输入进网络前进行数据增强；

S2，将双时相数据输入进孪生空洞邻域注意力主干网络，通过主干网络不同层级来依次对双时相数据进行特征提取来获得多层级特征；

S3，将主干网络在不同层级提取出的双时相特征分别输入到其分支对应的多层感知器进行初次解码后再输入进不同层级对应的增强差异特征提取模块来获取多层级差异特征；

S4，将不同层级的差异特征上采样到同一大小后输入多层级差异特征自适应融合模块进行多层级差异特征融合；

S5，将融合之后的差异特征输入进检测头，来进行像素级的遥感图像变化检测并生成检测完成后的变化图，迭代训练保存最好结果的模型参数；

S6，将测试集的双时相遥感图片输入进遥感图像变化检测模型来得到对变化地物的预测。

2.根据权利要求1中所述的数据预处理的过程，其特征在于，所述S1具体为，S1.1，将数据集的原始图像裁切成256×256大小的图片；

S1.2，将这些图片按照不同的比例划分为训练集，验证集，测试集；

S1.3，将这些图片进行随机翻转，裁切操作；

S1.4，将这些图片进行归一化操作。

3.根据权利要求1中所述的孪生编码器主干网络，其特征在于该主干网络中使用了空洞邻域注意力机制，即在指定大小的滑动窗口下进行注意力运算。所述S2包括：将输入分辨率大小为H×W的图像进行初始下采样操作将输入的图像大小变成通道数从3变成128；将初始下采样升维得到的特征图进行层归一化后进行空洞邻域注意力运算进行遥感图像特征的细化和提取，在窗口大小为7且空洞率为R的大小下进行注意力计算，R随着层级的变化而变化，在每个固定大小的窗口下选取中心像素，通过与邻域内的像素进行注意力计算来产生相似度特征图，再通过将此窗口滑动至下一区域进行注意力计算；将经过空洞邻域注意力运算后得到的特征图与初始下采样后得到的特征图进行相加后依次进行层归一化和多层感知机运算；将该层级提取完成后的特征传入主干网络的下一层级直至末尾，上述操作用公式表示如下：DsInital(Xi)＝InitalDownsampler(Xi)DsLevel(Xi)＝LevelDownsampler(Xi)

DiNATstage1(Xi)＝Xi+DiNA(LayerNorm(Xi))DiNATstage2(Xi)＝Xi+MLP(LayerNorm(Xi))其中Xi代表第i层级的特征，InitalDownsampler(Xi)和LevelDownsampler(Xi)分别代表四倍和二倍下采样；DiNA代表空洞邻域注意力，MLP代表多层感知机。

4.根据权利要求1中所述的多层级差异特征提取，其特征在于，S3提取到的差异特征一共有四个层级，每个层级都是对孪生主干提取到的双时相特征进行通道相连和元素级绝对值相减以获取多元化的差异特征，再并行通过卷积核为1×3,3×1,3×3的卷积后进行相加用于细化差异特征，再经过全局平均池化后输入进多层感知机通过S型函数进行激活后与前面相乘后得到最终的差异特征，具体用公式表述为：Ci＝Concat[featuremap1,featuremap2]Di＝|featuremap1‑featuremap2|

ACBCi＝Conv1x3(Ci)+Conv3x1(Ci)+Conv3x3(Ci)ACBDi＝Conv1x3(Di)+Conv3x1(Di)+Conv3x3(Di)EDFMout＝Conv3x3(Sigmoid(MLP(GobalAvgPool(ACBout)))*ACBout)其中Concat[.]表示通道维度相连，|.|表示取绝对值。

5.根据权利要求1中所述的多层级差异特征自适应融合模块，其特征在于，所述S4具体为将其他三个层级的差异特征上采样到同一尺度，并将这四个层级的差异特征在通道维度上拼接；将拼接后的多层级差异特征进行通道级加权运算使模型学习到有用的差异特征；

经过注意力运算后再输入轻量级多尺度变化融合模块来进行多层级差异特征融合，具体用公式表述为：Fcon＝Concat[F1,Upsample(F2),Upsample(F3),Upsample(F4)]Mca(Fcon)＝Fcon*σ(MLP(GobalAvgPool(Fcon))+MLP(GobalMaxPool(Fcon)))FDiConv_i＝DiConvR＝i(Conv1x1(F))LMCF(F)＝Conv1×1(Concat[FDiConv_1；FDiConv_6；FDiConv_8；FDiConv_12])其中DiConvR＝i为空洞率为i的3×3卷积，LMCF()为轻量级多尺度变化融合模块，α代表S型函数。

6.根据权利要求1中所述的将多尺度差异特征输入进检测头生成变化预测图，其特征在于，所述的检测头具体为，使用反卷积进行上采样将特征图尺度提升到原输入如图像的一半后，通过两次卷积核大小为3的卷积进行差异特征图解码并添加进残差连接，使用反卷积上采样到输入原图像的大小后，再对其使用一次卷积并进行残差连接后生成预测变化图。