【技术实现步骤摘要】
本专利技术涉及一种图像显著性检测网络与检测方法，具体为一种光学遥感图像显著性检测网络与检测方法，属于计算机视觉领域。
技术介绍
1、显著性目标检测主要是模仿人类的视觉注意机制，从整个场景中提取到最具有吸引力的目标。随着近些年的发展已经从自然场景图象拓展到视频、rgb-d图像等。sod已经在各种视觉任务中得到了很好的应用，比如：目标分割、目标跟踪、图像重定位、图像自动裁剪、图像压缩和质量评估等。近年来，随着深度学习的不断发展，光学遥感图像的显著性目标检测研究得到广泛关注。但是自然场景的获取和光学遥感图像的获取有很大的差别。光学遥感图像是由卫星和航空传感器拍摄的，导致分辨率、尺度、对象类型、成像比例和背景等与自然图像的有着本质的区别。因此，光学遥感图像中的显著性目标检测通常比自然图像中的显著性目标检测更具挑战性。目前针对光学遥感图像显著性目标检测的研究较少，而且自然图像和光学遥感图像在拍摄设备、场景和视图方向上存在显著差异，导致它们在分辨率、对象类型和对象尺度方面存在差异所以直接将自然图像的显著性目标检测的方法应用到光学遥感图像上可能是不合适的。sod作为光学遥感图像中的一个新兴的领域，越来越受到人们的关注。zhang等人2021年在期刊《ieee transactions on image processing》
2、发表文章《dense attention fluid network for salient object detectionin optical remote sensing images》公开了一种基
技术实现思路
1、针对现有技术的不足，本专利技术提供一种光学遥感图像显著性检测网络与检测方法。
2、为实现以上目的，本专利技术采用的技术方案如下：
3、一种光学遥感图像显著性检测网络，包括特征处理单元e1-e5、全局语义提取模块gsem、拼接单元c1-c3、上采用模块up1-up2、结构相同的全局融合模块gfm1-gfm3、结构相同的通道空间模块csm1-csm2、结构相同的特征提取模块fem1-fem3、特征融合模块ffm、分叉聚合块bab1-bab2、卷积层conv1；光学遥感图像依次经特征处理单元e1-e5处理后输入全局语义提取模块gsem；通道空间模块csm1的输入端分别接特征处理单元e1和e2的相应输出端，其输出端分别接通道空间模块csm2和拼接单元c3的相应输入端；拼接单元c1的输入端分别接全局语义提取模块gsem、特征处理单元e2的相应输出端，其输出端分别接全局融合模块gfm3、上采用模块up1和up2的相应输入端；上采用模块up1和up2的输出端分别接全局融合模块gfm1和gfm2的输入端；通道空间模块csm2的输入端分别接特征处理单元e2和e3的相应输出端，其输出端分别接特征提取模块fem1和拼接单元c2的相应输入端；全局融合模块gfm1的输入端接特征处理单元e3的相应输出端；全局融合模块gfm2的输入端接特征处理单元e4的相应输出端；特征提取模块fem1的输入端分别特征处理单元e4和的全局融合模块gfm1相应输出端，其输出端分别接特征提取模块fem2和特征融合模块ffm的输入端；特征提取模块fem2的输入端分别接特征处理单元e5和全局融合模块gfm2相应输出端，其输出端分别接特征提取模块fem3和特征融合模块ffm的输入端；特征提取模块fem3的输出端接特征融合模块ffm的输入端；特征融合模块ffm的输出端分别接分叉聚合块bab1和拼接单元c3的相应输入端；分叉聚合块bab1的输出端依次经拼接单元c2、分叉聚合块bab2、拼接单元c3接卷积层conv1的输入端；卷积层conv1输出预测图像。
4、进一步，所述全局语义提取模块gsem包括最大池化层s1-s4、卷积层conv2-conv7、拼接单元c4-c5、通道注意力单元ca1；全局语义提取模块gsem的输入为特征处理单元e5输出的第五特征f5，第五特征f5分别经卷积层conv2、经最大池化层s1和卷积层conv3、经最大池化层s2和卷积层conv4、经最大池化层s3和卷积层conv5、经最大池化层s4和卷积层conv6接拼接单元c4的输入端，通道注意力单元ca1的输入端接拼接单元c4的输出端，其输出端分别与卷积层conv2-conv5相乘后输入拼接单元c5；拼接单元c5的输出经卷积层conv7处理后与第五特征f5相加。
5、进一步，全局融合模块gfm1包括sigmoid函数σ1-σ2、卷积层conv8-conv10、拼接单元c6-c7；特征处理单元e3输出的第三特征f3经sigmoid函数σ1处理后再与自身相乘后输入卷积层conv8，上采样模块up1输出的第一上采样fg3经sigmoid函数σ2处理后再与自身相乘后输入卷积层conv9，卷积层conv8和卷积层conv9的输出一路经拼接单元c6处理后输入拼接单元c7，其另一路相乘后输入拼接单元c7，拼接单元c7的输出输出到卷积层conv10。
6、进一步，特征提取模块fem1包括空间注意力单元sa1-sa3、通道注意力单元ca2、带有批量归一化层和silu函数的卷积层3×3bcon本文档来自技高网...
【技术保护点】
1.一种光学遥感图像显著性检测网络，其特征在于，包括特征处理单元E1-E5、全局语义提取模块GSEM、拼接单元C1-C3、上采用模块Up1-Up2、结构相同的全局融合模块GFM1-GFM3、结构相同的通道空间模块CSM1-CSM2、结构相同的特征提取模块FEM1-FEM3、特征融合模块FFM、分叉聚合块BAB1-BAB2、卷积层Conv1；光学遥感图像依次经特征处理单元E1-E5处理后输入全局语义提取模块GSEM；通道空间模块CSM1的输入端分别接特征处理单元E1和E2的相应输出端，其输出端分别接通道空间模块CSM2和拼接单元C3的相应输入端；拼接单元C1的输入端分别接全局语义提取模块GSEM、特征处理单元E2的相应输出端，其输出端分别接全局融合模块GFM3、上采用模块Up1和Up2的相应输入端；上采用模块Up1和Up2的输出端分别接全局融合模块GFM1和GFM2的输入端；通道空间模块CSM2的输入端分别接特征处理单元E2和E3的相应输出端，其输出端分别接特征提取模块FEM1和拼接单元C2的相应输入端；全局融合模块GFM1的输入端接特征处理单元E3的相应输出端；全局融合模块GFM
2.根据权利要求1所述的光学遥感图像显著性检测网络，其特征在于，所述全局语义提取模块GSEM包括最大池化层S1-S4、卷积层Conv2-Conv7、拼接单元C4-C5、通道注意力单元CA1；全局语义提取模块GSEM的输入为特征处理单元E5输出的第五特征f5，第五特征f5分别经卷积层Conv2、经最大池化层S1和卷积层Conv3、经最大池化层S2和卷积层Conv4、经最大池化层S3和卷积层Conv5、经最大池化层S4和卷积层Conv6接拼接单元C4的输入端，通道注意力单元CA1的输入端接拼接单元C4的输出端，其输出端分别与卷积层Conv2-Conv5相乘后输入拼接单元C5；拼接单元C5的输出经卷积层Conv7处理后与第五特征f5相加。
3.根据权利要求1所述的光学遥感图像显著性检测网络，其特征在于，全局融合模块GFM1包括sigmoid函数σ1-σ2、卷积层Conv8-Conv10、拼接单元C6-C7；特征处理单元E3输出的第三特征f3经sigmoid函数σ1处理后再与自身相乘后输入卷积层Conv8，上采样模块Up1输出的第一上采样fG3经sigmoid函数σ2处理后再与自身相乘后输入卷积层Conv9，卷积层Conv8和卷积层Conv9的输出一路经拼接单元C6处理后输入拼接单元C7，其另一路相乘后输入拼接单元C7，拼接单元C7的输出输出到卷积层Conv10。
4.根据权利要求1所述的光学遥感图像显著性检测网络，其特征在于，特征提取模块FEM1包括空间注意力单元SA1-SA3、通道注意力单元CA2、带有批量归一化层和SILU函数的卷积层3×3Bconv1-Bconv4、带有批量归一化层和SILU函数的卷积层1×1Bconv1-Bconv3；特征处理单元E4输出的第四特征f4经上采样Up3，空间注意力单元SA1处理后与带有批量归一化层和SILU函数的卷积层1×1Bconv3的相应输出相乘，得到第一乘积量；通道空间模块CSM2输出的特征f2csmf经下采样Down1、空间注意力单元SA3处理后与带有批量归一化层和SILU函数的卷积层1×1Bconv3的相应输出相乘，得到第二乘积量。
5.根据权利要求1所述的光学遥感图像显著性检测网络，其特征在于，特征融合模块FFM包括卷积层Conv11-Conv14、上采样模块Up5-Up7、通道注意力单元CA9-CA12；特征提取模块FEM3的输出f3femf依次经卷积层Conv11、拼接单元C9和C10处理后输入拼接单元C11；特征提取模块FEM4的输出f4femf经卷积层Conv12处理后，一路输入拼接单元C11，其另一路经上采样模块Up6输入拼接单元C9；特征提取模块FEM5的输出f5femf经卷积层Conv13处理后，一路输入拼接单元C11，一路经上采样模块Up6...
【技术特征摘要】
1.一种光学遥感图像显著性检测网络，其特征在于，包括特征处理单元e1-e5、全局语义提取模块gsem、拼接单元c1-c3、上采用模块up1-up2、结构相同的全局融合模块gfm1-gfm3、结构相同的通道空间模块csm1-csm2、结构相同的特征提取模块fem1-fem3、特征融合模块ffm、分叉聚合块bab1-bab2、卷积层conv1；光学遥感图像依次经特征处理单元e1-e5处理后输入全局语义提取模块gsem；通道空间模块csm1的输入端分别接特征处理单元e1和e2的相应输出端，其输出端分别接通道空间模块csm2和拼接单元c3的相应输入端；拼接单元c1的输入端分别接全局语义提取模块gsem、特征处理单元e2的相应输出端，其输出端分别接全局融合模块gfm3、上采用模块up1和up2的相应输入端；上采用模块up1和up2的输出端分别接全局融合模块gfm1和gfm2的输入端；通道空间模块csm2的输入端分别接特征处理单元e2和e3的相应输出端，其输出端分别接特征提取模块fem1和拼接单元c2的相应输入端；全局融合模块gfm1的输入端接特征处理单元e3的相应输出端；全局融合模块gfm2的输入端接特征处理单元e4的相应输出端；特征提取模块fem1的输入端分别特征处理单元e4和的全局融合模块gfm1相应输出端，其输出端分别接特征提取模块fem2和特征融合模块ffm的输入端；特征提取模块fem2的输入端分别接特征处理单元e5和全局融合模块gfm2相应输出端，其输出端分别接特征提取模块fem3和特征融合模块ffm的输入端；特征提取模块fem3的输出端接特征融合模块ffm的输入端；特征融合模块ffm的输出端分别接分叉聚合块bab1和拼接单元c3的相应输入端；分叉聚合块bab1的输出端依次经拼接单元c2、分叉聚合块bab2、拼接单元c3接卷积层conv1的输入端；卷积层conv1输出预测图像。
2.根据权利要求1所述的光学遥感图像显著性检测网络，其特征在于，所述全局语义提取模块gsem包括最大池化层s1-s4、卷积层conv2-conv7、拼接单元c4-c5、通道注意力单元ca1；全局语义提取模块gsem的输入为特征处理单元e5输出的第五特征f5，第五特征f5分别经卷积层conv2、经最大池化层s1和卷积层conv3、经最大池化层s2和卷积层conv4、经最大池化层s3和卷积层conv5、经最大池化层s4和卷积层conv6接拼接单元c4的输入端，通道注意力单元ca1的输入端接拼接单元c4的输出端，其输出端分别与卷积层conv2-conv5相乘后输入拼接单元c5；拼接单元c5的输出经卷积层conv7处理后与第五特征f5相加。
3.根据权利要求1所述的光学遥感图像显著性检测网络，其特征在于，全局融合模块gfm1包括sigmoid函数σ1-σ2、卷积层conv8-conv10、拼接单元c6-c7；特征处理单元e3输出的第三特征f3经sigmoid函数σ1处理后再与自身相乘后输入卷积层conv8，上采样...
【专利技术属性】
技术研发人员：王威，韩云鹏，霍丽娜，高学渊，王珂，李子瑶，
申请(专利权)人：河北师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。