【技术实现步骤摘要】
本专利技术涉及深度学习图像显著性物体检测领域领域，特别涉及一种光学遥感图像显著物体检测方法。
技术介绍
1、显著物体检测是深度学习计算机视觉一个非常热门的研究方向，由于算力以及各行各业需求量的日益提升，显著物体检测已经取得了非常大的进步。相关成果已经应用于目标识别，视频摘要，图像压缩，图像编辑，视觉跟踪等多个领域，具有十分大的研究价值和市场价值。基于自然图像的显著性检测方法已经日益成熟，但对于遥感图像的显著性检测由于其呈现出更复杂的拍摄角度、更灵活的拍摄距离和更明显的尺寸大小变化，相关网络在捕捉微小物体、角度刁钻的物体时可能面临困难，所以直接将自然显著物体的方法应用于遥感图像显著物体检测中效果并不理想。
2、自然图像中的显著物体大都集中在图像的中央，且尺寸相对来说变化并不大。但遥感图像中掺杂着飞机、建筑物、河流等尺寸差异比较大的物体，且在图像中的位置分布也各具特色。综上所述基于遥感图像的显著物体检测应该具有多尺寸感受野增强、全局信息精细捕获、多特征交互共同参与显著决策等功能。
3、因此，提出一种光学遥感图像显著物体检测方法来解决上述问题很有必要。
技术实现思路
1、为了克服遥感图像显著性物体检测网络精度不足的问题，本专利技术的主要目的在于提供一种光学遥感图像显著物体检测方法，可以有效解决上述问题。
2、为实现上述目的，本专利技术采取的技术方案为：
3、一种光学遥感图像显著物体检测方法，包括以下步骤：
4、s1：获取待检测图
5、s2：利用resnet-50卷积神经网络作为解码器提取遥感图像特征；
6、s3：在骨干特征增强阶段，通过多分支卷积来增强感受野，得到增强特征fmi；
7、s4：在进行解码细化阶段之前，通过建立全局指导特征与当前特征的联系，实现更精准的预测结果；
8、s5：通过通道孪生交互模块(csim)重构输入特征，建立浅层特征、全局语义互补特征和深层特征之间的联系，获取完整的预测结果；
9、s6：制定网络模型训练策略。
10、优选的，在所述s1中，实验数据来自公共遥感图像数据集orssd和eorssd，包含各种角度、类型、尺寸的遥感图像。
11、优选的，在所述s2中，在编码时，提取resnet-50网络的后四层特征ei作为后续的被处理特征，其中{ei，i＝2，3，4，5}。
12、优选的，在所述s3中，提出了多分支感受野增强模块(mem)，该模块加入多个卷积模块，允许不同图像通过权重作用找到适合其尺度的卷积核，其中共包括普通卷积模块、不对称卷积模块、膨胀卷积模块等三组不同的卷积来适应不同特征的要求。
13、优选的，所述普通卷积是卷积核为3的卷积模块，不对称卷积组分为1×3、3×1、1×5、5×1的卷积模块，膨胀卷积组为膨胀率分别是1和3、卷积核同为3的卷积模块，通过通道拼接得到感受野增强特征fmi，其中{i＝4，5}。
14、优选的，在所述s4中，该阶段使用全局语义互补模块(gscm)增强该网络提取全局语义信息的能力以获得更准确的轮廓和显著物体定位；
15、所述全局语义互补模块按照功能的不同可以划分为全局语义信息提取和显著特征互补两个部分。
16、优选的，所述全局语义信息提取部分通过最大池化层和平均池化层，将特征图划分为若干个子区域，并对每个子区域进行统计汇总，从而得到更宏观的全局指导特征gglobal；
17、所述显著特征互补部分通过对高显著特征的正向学习和低显著特征的逆向学习得到更全面的双向显著特征gmix；
18、所述全局指导特征gglobal指导双向显著特征gmix的表达获得全局语义互补的特征图fgi，其中{i＝2，3，4，5}。
19、优选的，所述s5中，首先将resnet-50的最后一层输出e5调整为合适的尺寸得到对通道孪生交互模块的三个输入fgi、fc(i+1)、使用基于通道层面的奇偶组交互重构法以新的角度考察显著因素，由全局语义互补模块产生的特征fgi指导fc(i+1)、分别进行重构和两两交互，将产生的输出fmul1，fmul2，fmul3，fmul4按通道拼接和卷积，产生通道孪生交互模块的输出fci，其中{i＝2，3，4}，将fc2通过一个sigmoid函数获得最终的预测结果。
20、优选的，在s6中，网络模型训练策略的过程如下：
21、s601：首先获取数据集orssd和eorssd；
22、s602：将图片输入到网络中，调整图像尺寸为224×224；
23、s603：训练过程中选用梯度下降adam算法；
24、s604：选用二进制交叉损失，表示为：
25、优选的，所述表示二进制交叉损失。
26、与现有技术相比，本专利技术提供了一种光学遥感图像显著物体检测方法，具备以下有益效果：
27、本专利技术提出了一种光学遥感图像显著物体检测方法，在编码时，抛弃resnet-50的第一层特征，整合了包含丰富语义信息的高级特征，并将后两层深层特征信息输送到多分支视野增强模块中以提升感受野，在进行解码细化前通过全局语义互补模块增强该网络提取全局语义信息的能力，在解码过程中，通过通道孪生交互模块重构输入特征，建立浅层特征、全局语义互补特征和深层特征之间的联系，获取完整的预测结果，从而更精确的检测出遥感图像显著物体。
本文档来自技高网...【技术保护点】
1.一种光学遥感图像显著物体检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光学遥感图像显著物体检测方法，其特征在于：在所述S1中，实验数据来自公共遥感图像数据集ORSSD和EORSSD，包含各种角度、类型、尺寸的遥感图像。
3.根据权利要求2所述的一种光学遥感图像显著物体检测方法，其特征在于：在所述S2中，在编码时，提取ResNet-50网络的后四层特征Ei作为后续的被处理特征，其中{Ei，i＝2，3，4，5}。
4.根据权利要求1所述的一种光学遥感图像显著物体检测方法，其特征在于：在所述S3中，提出了多分支感受野增强模块(MEM)，该模块加入多个卷积模块，允许不同图像通过权重作用找到适合其尺度的卷积核，其中共包括普通卷积模块、不对称卷积模块、膨胀卷积模块等三组不同的卷积来适应不同特征的要求。
5.根据权利要求4所述的一种光学遥感图像显著物体检测方法，其特征在于：所述普通卷积是卷积核为3的卷积模块，不对称卷积组分为1×3、3×1、1×5、5×1的卷积模块，膨胀卷积组为膨胀率分别是1和3、卷积核同为3的卷积模块，通
6.根据权利要求1所述的一种光学遥感图像显著物体检测方法，其特征在于：在所述S4中，该阶段使用全局语义互补模块(GSCM)增强该网络提取全局语义信息的能力以获得更准确的轮廓和显著物体定位；
7.根据权利要求6所述的一种光学遥感图像显著物体检测方法，其特征在于：所述全局语义信息提取部分通过最大池化层和平均池化层，将特征图划分为若干个子区域，并对每个子区域进行统计汇总，从而得到更宏观的全局指导特征Gglobal；
8.根据权利要求7所述的一种光学遥感图像显著物体检测方法，其特征在于：所述S5中，首先将ResNet-50的最后一层输出E5调整为合适的尺寸得到Fe5，对通道孪生交互模块的三个输入FGi、FC(i+1)、Fe5使用基于通道层面的奇偶组交互重构法以新的角度考察显著因素，由全局语义互补模块产生的特征FGi指导FC(i+1)、Fe5分别进行重构和两两交互，将产生的输出Fmul1，Fmul2，Fmul3，Fmul4按通道拼接和卷积，产生通道孪生交互模块的输出FCi，其中{i＝2，3，4}，将FC2通过一个Sigmoid函数获得最终的预测结果。
9.根据权利要求1所述的一种光学遥感图像显著物体检测方法，其特征在于：在S6中，网络模型训练策略的过程如下：
10.根据权利要求9所述的一种光学遥感图像显著物体检测方法，其特征在于：所述表示二进制交叉损失。
...【技术特征摘要】
1.一种光学遥感图像显著物体检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光学遥感图像显著物体检测方法，其特征在于：在所述s1中，实验数据来自公共遥感图像数据集orssd和eorssd，包含各种角度、类型、尺寸的遥感图像。
3.根据权利要求2所述的一种光学遥感图像显著物体检测方法，其特征在于：在所述s2中，在编码时，提取resnet-50网络的后四层特征ei作为后续的被处理特征，其中{ei，i＝2，3，4，5}。
4.根据权利要求1所述的一种光学遥感图像显著物体检测方法，其特征在于：在所述s3中，提出了多分支感受野增强模块(mem)，该模块加入多个卷积模块，允许不同图像通过权重作用找到适合其尺度的卷积核，其中共包括普通卷积模块、不对称卷积模块、膨胀卷积模块等三组不同的卷积来适应不同特征的要求。
5.根据权利要求4所述的一种光学遥感图像显著物体检测方法，其特征在于：所述普通卷积是卷积核为3的卷积模块，不对称卷积组分为1×3、3×1、1×5、5×1的卷积模块，膨胀卷积组为膨胀率分别是1和3、卷积核同为3的卷积模块，通过通道拼接得到感受野增强特征fmi，其中{i＝4，5}。
6.根据权利要求1所述的一种光学遥感图像显著物体检测方法，其特征在于：在所...
【专利技术属性】
技术研发人员：葛延良，朱洪飞，毕洪波，任军超，张乔，贺敏，
申请(专利权)人：东北石油大学，
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。