1.一种处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，通过构建双时态同源的全局导引特征，在图像尺寸恢复前整合丰富的双时态深层特征，包括以下步骤：S1，构建多尺度特征交互网络模型，所述多尺度特征交互网络模型包括编码模块和解码模块，所述编码模块负责特征提取，所述解码模块负责特征尺寸的恢复；

S2，将变化检测数据转化为具有图像形状的张量，输入到多尺度特征交互网络模型中进行训练，保存满足训练条件的模型；

S3，将双时相遥感图片输入步骤S2保存的模型中，获得某时某地高精度双分类结果图；

所述编码模块包括骨干网络、多尺度编码层模块、双时态特征交互层模块和双时态特征融合层模块；同层级骨干网络之间插入双时态特征交互层模块来实现多时相图像的信息交互，引导注意力汇聚在差异区域并抑制环境干扰的影响，同时在多尺度编码层模块末尾采用双时态特征融合层模块提取细小的差异特征；

所述骨干网络ResNet18通过逐层卷积和池化操作对输入图像进行特征提取；

所述双时态特征交互层模块由一对对称的基于自注意力的transformer block组成，交互方式为自注意力序列的权Value的互换；在真变化样本和伪变化样本不平衡的情况下，抑制与任务无关的信息的干扰，并关联不同时间段的相似区域；

设置输入单时态特征 来自时态n，那么该单时态特征会首先映射到三个相同的线性transformer层；在线性transformer层内，原本的像素矩阵会先压缩通道以融合多通道特征，然后再展开成为自注意力向量，并且按照未来会被分配的功能，生成的三个序列：Query向量 Key向量 和Value向量 生成序列的过程由以下公式表示：

Qn,Kn,Vn＝Reshape(Linear(fn))其中，C表示特征图的通道数，H表示特征图的高，W表示特征图的宽，L＝H×W表示生成的向量序列，Linear()表示用于变化通道的线性层，Reshape()表示矩阵变化成向量序列的操作；

得到三个向量序列后，Key向量会在转置后与Query向量进行矩阵乘法，如此计算每个Query向量与所有Key向量之间的相似度得分，并将相似度得分数通过softmax激活函数转换为权重An，用于加权计算Value向量，用以下点积公式表示：T

An＝softmax(KnQn)

fn′＝VnAn

其中，表示输入序列中每个位置对于其他位置的关注程度；

取n＝1和n＝2时态，则信息在两个时态之间交互和传递过程的表达式如下：T

A1＝softmax(K1Q2)

T

A2＝softmax(K2Q1)

f1′＝V2A1

f2′＝V1A2

其中，f1′、f2′分别表示融合了多时态信息的输出；

所述双时态特征融合层模块能够提取全局注意力权重来概括双时态特征，全局注意力矩阵Ag的生成表示为：Ag＝σ(Conv1×1(GELU(AvgPool(Concat[F1,F2]))))其中，F1和F2表示双时态输入的特征，Concat[]表示通道级联，AvgPool()表示平均池化，GELU()表示GELU()激活函数Conv1×1表示1×1卷积操作，σ()表示Sigmoid激活函数；

所述双时态特征融合层模块将获得的双时态特征通过通道级联进行融合，特征融合操作的公式表示为：Fout＝Concat[Conv1×1(AgF1)‑F2,Conv1×1(AgF2)‑F1]其中，| |表示特征图对应位置像素值相减的结果再进行取绝对值操作；

所述多尺度解码层模块能充分利用具有全局感受野的解码器，将高级抽象特征还原到原始输入空间；

所述解码模块包括transformer解码层和输出前的分类器，所述解码模块采用移动注意力窗口划分的连续的Swin Transformer Block作为解码模块，数学表达式为:l

其中， 和y分别表示W‑MSA模块、SW‑MSA和多层感知机的输出特征；W‑MSA和SW‑MSA分别表示基于常规窗口划分的多头自注意和基于移动窗口划分的多头自注意，LN表示线性层，MLP表示多层感知机。

2.根据权利要求1所述处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，所述编码模块之间采用双线性插值逐层恢复特征，并将编码阶段当中交互层的信息跳跃连接到解码块上。

3.根据权利要求1所述处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，步骤S2中，对变化检测数据集的处理步骤如下：S21，对变化检测数据集进行数据分析和对比，以清理数据、提升数据质量；

S22，对变化检测数据进行增强处理，将数值数据转化为具有图像形状的张量。