[发明专利]一种遥感影像显著目标检测方法

权利要求书

1.一种遥感影像显著目标检测方法，其特征在于，所述方法包括以下步骤：

S1、获取包含训练集和测试集的遥感影像数据，并构建包括检测特征编码器和级联特征解码器的遥感影像显著目标检测模型；

S2、引入注意力机制、特征流动机制和级联解码机制，并基于训练集的遥感影像数据对所述遥感影像显著目标检测模型进行训练，直至预设损失函数收敛后停止训练，获取训练好的遥感影像显著目标检测模型；

S3、利用训练好的遥感影像显著目标检测模型对所述测试集的遥感影像数据进行显著目标预测，进而输出对应的显著图。

2.根据权利要求1所述的遥感影像显著目标检测方法，其特征在于，所述检测特征编码器为密集注意力流动编码器，所述密集注意力流动编码器是基于VGG16网络为主干网络进行改进得到，其改进过程为：移除所述VGG16网络的最后三个全连接层，并在VGG16网络的最后一级池化层前截断，进而得到所述密集注意力流动编码器。

3.根据权利要求2所述的遥感影像显著目标检测方法，其特征在于，所述步骤S2的具体实现方式包括：

S21、引入注意力机制，从改进后的VGG16网络中提取每一部分最后一层的输出特征，并基于预设空间像素关系矩阵合并输出特征维度以构建像素之间的运算矩阵，进而实现对各个像素之间的关系进行表示；

S22、基于像素之间的运算矩阵进行归一化处理以获取注意力权重，并将合并维度后的输出特征与注意力权重相乘，得到使用空间自注意力加权后的特征；

S23、利用残差连接方式将所述输出特征与使用空间注意力加权后的特征相加，并通过衔接通道注意力机制，得到输出的深层特征，其过程用公式表示为：

F＝CA(f+δ·(f*(Re^-1(Re(f)⊙R))))

式中，Re^-1表示输出特征合并维度的逆操作，R表示像素关系矩阵，*表示逐元素相乘，δ表示一个可学习系数，CA(·)表示通道注意力机制，f表示主干网络输出初始特征；

S24、将所述深层特征进行上采样和1×1卷积，以将所述深层特征与当前特征的大小和通道调整为一致；

S25、基于预设的逐步拼接模块，从当前特征的下一层按照由浅层到深层的顺序将经过上采样和1×1卷积后的深层特征与当前特征进行拼接；

S26、将拼接后特征的通道数调整为检测特征编码器输出的深层特征的通道数，并输入级联特征解码器中进行解码；

S27、利用Sigmoid函数对级联特征解码器的最后输出进行激活，进而完成遥感影像显著目标检测模型的训练。

4.根据权利要求3所述的遥感影像显著目标检测方法，其特征在于，所述步骤S21中预设空间像素关系矩阵用公式表示为：

M＝{(Re(f))^T⊙Re(f)}^T

式中，Re()表示将输出特征的后两维合并为一维的操作，⊙表示矩阵乘法操作，T表示转置。

5.根据权利要求4所述的遥感影像显著目标检测方法，其特征在于，所述步骤S22中基于像素之间的运算矩阵进行归一化处理用公式表示为：

式中，r(x,y)表示像素x对像素y的影响重要程度，m(x,y)表示像素关系矩阵中的元素，e表示自然常数。

6.根据权利要求5所述的遥感影像显著目标检测方法，其特征在于，还包括步骤S23’、采用多级金字塔融合多尺度的空间注意力对输出特征进行信息提取，具体为：通过2倍和4倍下采样将输出特征更新为三个不同分辨率通道，使用多级金字塔融合多尺度的空间注意力对不同尺度特征进行提炼，并基于残差结构将提炼后的特征与输出特征进行融合，然后按照分辨率从低到高的顺序将三级特征融合，进而得到多级金字塔融合多尺度的空间注意力权重的深层特征，最后将步骤S23输出的深层特征与多级金字塔融合多尺度的空间注意力权重的深层特征合并。