【技术实现步骤摘要】
本专利技术属于人工智能领域中的计算机视觉和模式识别技术，更具体而言，涉及一种基于条件扩散模型的遥感图像显著性目标检测方法。
技术介绍
1、遥感图像显著性目标检测一直是遥感图像处理和模式识别领域研究的热点课题，并在农业、林业、舰船检测、安全监控等领域得到了广泛的应用。然而，由于遥感图像场景的特点，如显著性目标方向、规模和类别的变化，现有的基于卷积神经网络的范式存在方向不敏感、检测不完整、缺失显著性目标等问题。
2、因此，开发一种准确且高效的遥感图像显著性目标检测技术就变得尤为重要。这种技术不仅可以提高目标检测的可信度和可靠性，还可以避免因误判和漏判而带来的安全隐患。比如，在一些安全敏感的应用中，如军事侦察或舰船检测，错误的目标检测可能导致对潜在威胁的忽视，增加安全隐患。
3、目前，遥感图像显著性目标检测技术仍存在一些困难和挑战。首先，遥感图像中的显着对象通常具有不同的方向，现有的特征提取方法存在方向不敏感问题，其次，现有的显著性目标预测方法主要采用语义分割，存在过度自信的错误预测。此外，遥感图像显著性目标还需要考虑遥感区域的大小、对比度和背景环境等因素。
4、为了应对这些挑战，需要不断改进遥感图像显著性目标检测技术，以提高其鲁棒性、准确性和效率。同时，还需要进一步完善公共数据集和评估标准，以促进该领域的研究和发展。最终，通过不断完善遥感图像显著性目标检测技术，可以有效检测和识别遥感图像中的显著性目标，为军事侦察等实际领域提供更加完整和可靠的目标检测技术。
技术实现思路
1、本专利技术的主要目的在于针对显著性目标检测存在过度自信的错误预测，和现有特征提取方法存在方向不敏感问题，而提供一种基于条件扩散模型的遥感图像显著性目标检测方法。这种方法能够在方向感知特征向量的指导下，对多个可能的预测进行采样，避免了过度自信的错误预测，从而获得更准确的检测结果。
2、根据本专利技术的第一方面，提供了本专利技术的技术方案实现步骤，包括：
3、步骤1、读取数据集中的图像，获取3通道的3×h×w图像数据，并且通过水平翻转、竖直翻转和随机缩放对图像数据进行数据增强；
4、步骤2、经过数据增强的图像数据输入特征提取模块一，得到通道数为c1，尺寸大小为的特征向量1，该层得到的特征向量1流向方向感知加权空间注意力模块和特征提取模块二；
5、步骤3、特征向量1输入方向感知加权空间注意力模块，其是一种通过方向卷积全面感知最低层特征中的方向和纹理信息的方法，以适应遥感图像中显著性物体的各种方向；
6、步骤4、特征向量1进入特征提取模块二，得到通道数为c2，尺寸大小为的特征向量2，该层得到的特征向量2流向特征提取模块三；
7、步骤5、特征向量2进入特征提取模块三，得到通道数为c3，尺寸大小为的特征向量3，该层得到的特征向量3流向特征提取模块四；
8、步骤6、特征向量3进入特征提取模块四，得到通道数为c4，尺寸大小为的特征向量4；
9、步骤7、方向感知加权空间注意力模块输出的方向感知特征向量f输入到条件扩散模型的编码器，以指导扩散过程；
10、步骤8、输出的特征向量2、3、4连接在一起后作为条件扩散模型的条件特征，对编码器网络提取的高斯噪声特征进行降噪，通过训练卷积神经网络能够生成初步预测值x′0；
11、步骤9、初步预测值x′0同真值一起计算二元交叉熵与交并比损失函数，来优化模型参数；
12、步骤10、利用训练好的模型进行遥感图像显著性目标检测。
13、所述步骤2中的特征提取模块是金字塔视觉转换器层，其由块嵌入模块和一个转换器编码器组成，用于提取图像特征；由于其强大的特征提取能力，结合多尺度机制，确保在每一步从粗粒度特征到细粒度特征的全面融合。
14、所述步骤3中的方向感知加权空间注意力模块能提升深度神经网络模型对显著性目标细节的捕捉，遥感图像中的显著性目标具有不同的方向，而这些方向和纹理信息往往难以被传统网络有效捕捉；因此，传统网络具有高度的数据依赖性，需要大量的显著性目标图像进行训练，以提升显著性目标检测的准确性；使用该方向感知加权空间注意力模块有助于解决显著性目标检测任务中网络对数据高度依赖的挑战。
15、所述步骤8中的条件扩散模型是用于迭代降噪和生成预测的卷积神经网络，是由一个编码器网络和一个解码器网络组成的：
16、编码器网络是对给定的高斯噪声xt和方向感知加权空间注意力模块的方向感知特征向量f进行卷积操作，为了增强去噪学习，我们将方向感知特征向量f与噪声特征沿通道拼接，送入残差结构，以指导扩散过程，该编码过程定义为：
17、xe＝relu(batchnorm2d(conv2d(xt)))
18、fe＝relu(batchnorm2d(conv2d(f)))
19、xfe＝concat(xe，fe)
20、xfe′＝resnetblock(xfe，timestep)
21、ye＝relu(batchnorm2d(conv2d(xfe′)))
22、其中ye是编码器的输出结果；
23、解码器网络是以特征提取模块的输出特征作为条件，对编码器网络提取的高斯噪声特征进行降噪，通过训练卷积神经网络能够生成x′0，该过程定义为：
24、yc＝concat(ye,y2,y3,y4)
25、xfd＝relu(batchnorm2d(conv2d(yc)))
26、xfd′＝resnetblock(xfd，timestep)
27、x′0＝relu(batchnorm2d(conv2d(xfd′)))
28、其中x′0是编码器的初始预测值，y2、y3和y4分别是特征提取模块的输出；
29、所述步骤9中，二元交叉熵与交并比损失函数的计算方法如下：
30、ltotal＝lbce(x′0，y)+liou(x′0，y)
31、其中y为真值，lbce(·)和liou(·)分别是二元交叉熵损失函数和交并比损失函数；
32、通过马尔可夫链和贝叶斯公式对初始预测值x′0进行采样，得到t-1时刻的分布xt-1，然后迭代降噪，即可得到清晰的预测值x′，最后的输出定义为：
33、xt-1＝sample(x′0)
34、x′＝deniose(xt-1)
35、其中xt-1是t-1时刻的噪声掩码，x′是最终的预测结果。
36、根据本专利技术第一方面实施例所述的本专利技术上述技术方案中的一个技术方案至少具有如下优点或有益效果之一：
37、1、本技术方案与其他检测算法不一样的地方是：采用将遥感图像显著性目标检测任务视为利用扩散模型的条件掩码生成任务，由于扩散模型采用逐级去噪方法生成结果，可以对多个可能的预测进行采样，避免了过度自信的点估计问题，从而更本文档来自技高网...
【技术保护点】
1.一种基于条件扩散模型的遥感图像显著性目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于条件扩散模型的遥感图像显著性目标检测方法，其特征在于：所述步骤3中的方向感知加权空间注意力模块能提升深度神经网络模型对显著性目标细节的捕捉，遥感图像中的显著性目标具有不同的方向，而这些方向和纹理信息往往难以被传统网络有效捕捉；因此，传统网络具有高度的数据依赖性，需要大量的显著性目标图像进行训练，以提升显著性目标检测的准确性；使用该方向感知加权空间注意力模块有助于解决显著性目标检测任务中网络对数据高度依赖的挑战。
3.根据权利要求1所述的一种基于条件扩散模型的遥感图像显著性目标检测方法，其特征在于：所述步骤8中的条件扩散模型是用于迭代降噪和生成预测的卷积神经网络，是由一个编码器网络和一个解码器网络组成的：
【技术特征摘要】
1.一种基于条件扩散模型的遥感图像显著性目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于条件扩散模型的遥感图像显著性目标检测方法，其特征在于：所述步骤3中的方向感知加权空间注意力模块能提升深度神经网络模型对显著性目标细节的捕捉，遥感图像中的显著性目标具有不同的方向，而这些方向和纹理信息往往难以被传统网络有效捕捉；因此，传统网络具有高度的数...
【专利技术属性】
技术研发人员：钟必能，杨晋生，梁启花，邓清勇，李宁，李先贤，
申请(专利权)人：广西师范大学，
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。