【技术实现步骤摘要】
本专利技术涉及遥感图像检测，特别指一种动态知识集成的遥感图像显著性目标检测方法。
技术介绍
1、显著性目标检测（salient object detection，简称sod）通过模拟人类视觉系统的方式，在图像中识别和突出显示最关键的区域，广泛应用于地理空间实体检测、云检测、地理空间变化检测等多个领域。在显著性目标检测的众多应用中，与遥感图像的结合尤为重要，它的实用性可以扩展到环境监测和城市发展等关键领域。
2、随着深度学习的兴起改变了传统的显著性目标检测方法，并引入许多基于卷积神经网络（convolutional neural network，cnn）的模型，这些cnn模型显著推动了显著性目标检测领域的发展。然而，cnn模型被应用于遥感图像的显著性目标检测（orsi-sod）时，由于遥感图像存在范围广泛、背景复杂和多样的噪声干扰，导致检测精度不尽如人意。尽管cnn模型试图适应遥感图像的复杂性，但由于有限的感受野而存在明显的局限性，特别是在理解远距离依赖关系方面；一些cnn模型尝试通过使用更大的卷积核、堆叠层或更深的架构来规避这些限制，但会增加计算需求。
3、相反，transformer通过自注意机制建模长距离依赖关系（长程依赖信息）的能力，在计算机视觉领域展现出了潜力；然而，纯粹基于transformer的架构仍然在遥感图像显著性目标检测中，也面临着复杂背景和多样噪声干扰的困扰。具体而言，传统transformer通常在单一尺度上操作特征，难以解决遥感图像显著性目标检测中普遍存在的多尺度问题；此外，tra
4、因此，如何提供一种动态知识集成的遥感图像显著性目标检测方法，实现提升遥感图像显著性目标检测精度，成为一个亟待解决的技术问题。
技术实现思路
1、本专利技术要解决的技术问题，在于提供一种动态知识集成的遥感图像显著性目标检测方法，实现提升遥感图像显著性目标检测精度。
2、本专利技术是这样实现的：一种动态知识集成的遥感图像显著性目标检测方法，包括如下步骤：
3、步骤s1、通过四个transformer层创建一用于提取多尺度特征的特征提取器，对所述特征提取器进行预训练；
4、步骤s2、获取待检测的遥感图像，通过所述特征提取器从遥感图像中提取多尺度特征，对所述多尺度特征进行通道归一化，将特征维度转换为32；
5、步骤s3、对通道归一化后的所述多尺度特征进行通道注意力计算，得到各特征通道的通道注意力值，基于所述通道注意力值筛选高贡献的特征通道并进行通道增强操作；
6、步骤s4、基于神经网络创建一用于逐层递增自适应组合语义和细节特征的动态知识集成模块，从高到低逐层将相邻的各所述多尺度特征输入动态知识集成模块，输出增强特征；
7、步骤s5、基于神经网络创建一用于改进特征通道和空间维度的特征相关性的特征校准模块，将各所述增强特征输入特征校准模块，输出校准特征，直至完成所有尺度的特征校准；
8、步骤s6、将各所述校准特征的特征维度压缩为1后，将各所述校准特征映射至rgb空间，以输出所述遥感图像的显著性目标。
9、进一步的，所述步骤s1中，各所述transformer层的特征通道的特征维度分别为64、128、320、512；
10、各所述transformer层分别用于提取不同尺度的长距离依赖特征，基于各所述长距离依赖特征构建多尺度特征。
11、进一步的，所述步骤s2中，所述多尺度特征携带不同粒度的长程依赖信息。
12、进一步的，所述步骤s4中，所述动态知识集成模块以多尺度特征中的高层特征作为知识引导，计算所述高层特征与多尺度特征中相邻的低层特征的相似度矩阵，将所述相似度矩阵与多尺度特征分别进行相乘和相加操作后，输出增强特征。
13、进一步的，所述步骤s6具体为：
14、将各所述校准特征的特征维度压缩为1后，通过sigmoid激活函数将各所述校准特征的像素值映射至rgb空间的[0,255]，以输出所述遥感图像的显著性目标。
15、本专利技术的优点在于：
16、通过四个transformer层创建用于提取多尺度特征的特征提取器并进行预训练；接着获取待检测的遥感图像，通过特征提取器从遥感图像中提取多尺度特征，对多尺度特征进行通道归一化后再进行通道注意力计算，得到各特征通道的通道注意力值，基于通道注意力值筛选高贡献的特征通道并进行通道增强操作；接着基于神经网络创建用于逐层递增自适应组合语义和细节特征的动态知识集成模块，从高到低逐层将相邻的各多尺度特征输入动态知识集成模块，输出增强特征，基于神经网络创建用于改进特征通道和空间维度的特征相关性的特征校准模块，将各增强特征输入特征校准模块，输出校准特征，直至完成所有尺度的特征校准，最后将各校准特征的特征维度压缩为1后，将各校准特征映射至rgb空间，以输出遥感图像的显著性目标；即利用transformer层产生多尺度特征（多层级特征嵌入），有效地克服了传统cnn模型中忽视长程依赖信息的问题；通过动态知识集成模块逐层递增自适应组合语义和细节特征，以多尺度特征中的高层特征作为知识引导，在捕捉复杂细节方面表现出色，有效应对建模不同尺度的挑战；通过特征校准模块改进特征通道和空间维度的特征相关性，从而提高整体特征表示，有效减少背景的干扰，最终极大的提升了遥感图像显著性目标检测精度。
本文档来自技高网...【技术保护点】
1.一种动态知识集成的遥感图像显著性目标检测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种动态知识集成的遥感图像显著性目标检测方法，其特征在于：所述步骤S1中，各所述Transformer层的特征通道的特征维度分别为64、128、320、512；
3.如权利要求1所述的一种动态知识集成的遥感图像显著性目标检测方法，其特征在于：所述步骤S2中，所述多尺度特征携带不同粒度的长程依赖信息。
4.如权利要求1所述的一种动态知识集成的遥感图像显著性目标检测方法，其特征在于：所述步骤S4中，所述动态知识集成模块以多尺度特征中的高层特征作为知识引导，计算所述高层特征与多尺度特征中相邻的低层特征的相似度矩阵，将所述相似度矩阵与多尺度特征分别进行相乘和相加操作后，输出增强特征。
5.如权利要求1所述的一种动态知识集成的遥感图像显著性目标检测方法，其特征在于：所述步骤S6具体为：
【技术特征摘要】
1.一种动态知识集成的遥感图像显著性目标检测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种动态知识集成的遥感图像显著性目标检测方法，其特征在于：所述步骤s1中，各所述transformer层的特征通道的特征维度分别为64、128、320、512；
3.如权利要求1所述的一种动态知识集成的遥感图像显著性目标检测方法，其特征在于：所述步骤s2中，所述多尺度特征携带不同粒度的长程依...
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。