[发明专利]一种遥感影像显著目标检测方法

说明书

本发明公开了一种遥感影像显著目标检测方法，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。本发明基于级联结构进行特征解码，改善了遥感影像中小目标漏检和错检的问题，且提高了显著区域的预测置信度，能够预测出更准确的显著目标边界。

技术领域

本发明主要涉及遥感图像应用技术领域，具体地说，涉及一种遥感影像显著目标检测方法。

背景技术

随着遥感影像数据量的爆炸式增长，传统的人工目视解译的遥感影像利用方法已经无法满足现实需求，因此，亟需发展对要遥感影像的智能解译方法。作为计算机视觉的重要前处理步骤，显著目标检测已经在自然场景中取得了不错的效果。但是，由于遥感场景存在的拍摄角度不一，地物类型多样，背景复杂等众多特点，针对遥感影像的显著目标检测方法仍然较少。同时，现有方法在检测遥感影像中的显著目标过程中，对显著目标边缘区域的检测效果较差，对小目标容易出现错检和漏检等情况，离实现应用还有一定距离。

发明内容

有鉴于此，本发明的目的在于提供一种遥感影像显著目标检测方法，所述方法采用编码器-解码器结构，引入了注意力机制、特征流动机制、级联解码机制，并设计了一种新的损失函数对目标检测模型进行训练，进而通过训练后的目标检测模型对遥感影像中的显著目标进行检测，有效提升了遥感影像显著目标边缘的检测效果，同时改善了小目标漏检、错检等情况。

本发明的遥感影像显著目标检测方法，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。

进一步地，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。

进一步地，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；