本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法。

背景技術(shù)：

1、人類的視覺注意力機(jī)制試圖去尋找一張照片或者是一段視頻中最有吸引力的部分，而顯著目標(biāo)檢測正是由此啟發(fā)得來。近年來，顯著目標(biāo)檢測受到了廣泛關(guān)注，因?yàn)槠湓谠S多領(lǐng)域都取得了比較好的成果，如：圖像/視頻分割、視頻摘要、圖像質(zhì)量評(píng)估、圖像分類等。

2、近年來，各種各樣的顯著模型被設(shè)計(jì)出來去處理自然景色的照片或者視頻。值得注意的是，隨著深度學(xué)習(xí)的技術(shù)不斷的發(fā)展完善，其對(duì)顯著目標(biāo)檢測模型的表現(xiàn)作用也愈發(fā)凸顯。很遺憾的是，對(duì)于遙感圖像顯著目標(biāo)檢測的模型確實(shí)比較少。事實(shí)上，遙感圖像的用處非常廣泛，在農(nóng)業(yè)領(lǐng)域，遙感圖像可以用來檢測作物的生長，有助于提高農(nóng)作物的產(chǎn)量，在軍事領(lǐng)域，可以用來采集情報(bào)，目標(biāo)識(shí)別等，隨著技術(shù)的不斷發(fā)展遙感在新的領(lǐng)域和應(yīng)用中發(fā)揮著越來越重要的作用，無論是環(huán)境保護(hù)、資源管理、災(zāi)害響應(yīng)還是科學(xué)研究，遙感圖像都起到了一個(gè)非常重要作用。

3、遙感圖像主要分為航空像片和衛(wèi)星相片，通常是由高空飛機(jī)或者衛(wèi)星得到的，因此遙感圖像經(jīng)常呈現(xiàn)復(fù)雜的場景，如各種物體的大小尺度，不同的方向，雜亂的背景，甚至沒有顯著性目標(biāo)等等。而且自然場景圖像通常是由手持相機(jī)拍攝的，所以要是直接將基于自然場景圖像的邊緣分割的顯著性目標(biāo)檢測模型直接運(yùn)用到遙感圖像上來顯然是不合適的。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明提供了一種基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法。

2、本發(fā)明方法包括以下步驟：

3、步驟(1).獲取光學(xué)遙感圖像，構(gòu)建數(shù)據(jù)集。

4、步驟(2).編碼階段，數(shù)據(jù)集中數(shù)據(jù)通過構(gòu)建骨干網(wǎng)絡(luò)提取多級(jí)特征，具體方法如下：

5、在編碼器階段，主要是基于resnet34來設(shè)計(jì)骨干網(wǎng)絡(luò)用來提取多級(jí)特征，骨干網(wǎng)絡(luò)包括依次連接的五個(gè)編碼模塊encoder-1、encoder-2、encoder-3、encoder-4、encoder-5，分別輸出f1、f2、f3、f4、f5五級(jí)特征。

6、所述encoder-1包括resnet34的conv1以及conv2_x，并在conv1之后增加了一個(gè)最大池化層；之后的encoder-2，encoder-3和encoder-4則是分別采用了resnet34中的conv3_x，conv4_x和conv5_x；最后encoder-5中包含了一個(gè)最大池化層，以及三個(gè)殘差模塊。

7、經(jīng)研究可以得出，淺層的低級(jí)特征保留重建目標(biāo)邊界的空間信息，深層的高級(jí)特征保留目標(biāo)的語義信息，而高級(jí)特征所含的語義信息在偽裝目標(biāo)檢測中發(fā)揮著重要作用。

8、步驟(3).通過空洞卷積構(gòu)建高級(jí)語義信息處理模塊gfm，基于多級(jí)特征，得到語義特征，具體方法如下：

9、本發(fā)明的提出的模型設(shè)計(jì)了gfm模塊，主體是采用了空洞卷積，在gfm模塊結(jié)構(gòu)中有五個(gè)分支，包括使用了四種不同擴(kuò)張率的卷積核對(duì)f5分別進(jìn)行處理，再使用一個(gè)卷積操作保留原本的信息，將五個(gè)分支得到的結(jié)果通過concate操作進(jìn)行特征融合，將融合后的特征圖經(jīng)過一個(gè)卷積操作與進(jìn)行f5逐元素相加，進(jìn)行特征融合；最后再通過cbr單元，即卷積、批歸一化和激活函數(shù)激活操作得到輸出f*5，并在gfm輸出處增加損失監(jiān)督ls0提高性能。

10、步驟(4).構(gòu)建邊緣提取模塊eem，基于多級(jí)特征，提取邊緣特征，具體方法如下：

11、邊緣提取模塊eem，將f*5經(jīng)過上采樣與f3進(jìn)行concate特征融合后，再與通過下采樣操作的f1進(jìn)行concate特征融合，最后通過cbr單元得到邊緣特征e*；并在eem模塊后加一個(gè)監(jiān)督損失。

12、步驟(5).解碼階段，基于多級(jí)特征進(jìn)行解碼，并構(gòu)建信息融合模塊efm，結(jié)合語義特征和邊緣特征進(jìn)行特征融合，輸出目標(biāo)檢測結(jié)果，具體方法如下：

13、本發(fā)明提出的模型設(shè)計(jì)了efm模塊，f*i-1是由上下級(jí)特征融合得來的具體操作如下：

14、

15、其中conv表示卷積操作，卷積核大小為1×1，[.,.]表示concate特征融合操作。當(dāng)i等于5時(shí)操作則如下：

16、

17、針對(duì)五個(gè)編碼模塊分別構(gòu)建五個(gè)對(duì)應(yīng)的解碼模塊decoder-b1、decoder-b2、decoder-b3、decoder-b4、decoder-b5。decoder-b5的輸入為f*5，輸出為d5；將d5與f*4輸入信息融合模塊efm的得到對(duì)應(yīng)輸出d*5，然后將d*5與f4輸入decoder-b4得到d4，將d4與f*3經(jīng)過efm模塊，得到d*4，decoder-b3、decoder-b2、decoder-b1的實(shí)現(xiàn)過程與decoder-b4相同，decoder-b1的輸出d1為目標(biāo)檢測結(jié)果進(jìn)行輸出。

18、通過efm模塊就得到了{(lán)d*2，d*3，d*4，d*5}，efm模塊整個(gè)過程的描述如下：

19、

20、其中u/d(.)表示根據(jù)不同的層級(jí)來選擇下采樣或者是上采樣保持特征圖的高和寬大小一致。同時(shí)對(duì){d*2，d*3，d*4，d*5}均增加了一個(gè)監(jiān)督，計(jì)算損失來提高模型的性能，所以對(duì){d*2，d*3，d*4，d*5}均需要通過卷積操作以及上采樣操作最后通過sigmoid激活函數(shù)得到顯著圖，計(jì)算對(duì)比計(jì)算損失。最后得到的d1即網(wǎng)絡(luò)最終的輸出。

21、本發(fā)明有益效果如下：

22、本發(fā)明方法主要優(yōu)勢如下：具體來說，模型基于resnet-34設(shè)計(jì)編碼器，來提取各級(jí)特征，同時(shí)設(shè)計(jì)了兩個(gè)模塊來更好的利用高級(jí)語義信息和邊緣信息，通過能夠增加感受野的空洞卷積的方法來處理高級(jí)語義信息，增加邊緣監(jiān)督來更加高效的利用邊緣信息，并且在解碼階段設(shè)計(jì)一個(gè)模塊作用到每一層用來融合邊緣信息以及上下級(jí)特征融合信息，解碼階段設(shè)計(jì)的模塊的輸入分別是上一級(jí)輸出、邊緣信息以及上下級(jí)特征融合信息，從而得到最后的準(zhǔn)確的顯著目標(biāo)預(yù)測圖。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法，其特征在于，所述骨干網(wǎng)絡(luò)具體實(shí)現(xiàn)過程如下：

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法，其特征在于，所述高級(jí)語義信息處理模塊gfm具體實(shí)現(xiàn)過程如下：

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法，其特征在于，所述構(gòu)建邊緣提取模塊eem具體實(shí)現(xiàn)過程如下：

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法，其特征在于，所述步驟5具體實(shí)現(xiàn)過程如下：

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法，其特征在于，所述信息融合模塊efm具體實(shí)現(xiàn)如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于深度學(xué)習(xí)的遙感圖像顯著目標(biāo)檢測方法，該方法首先獲取光學(xué)遙感圖像，構(gòu)建。其次編碼階段，數(shù)據(jù)集數(shù)據(jù)通過構(gòu)建骨干網(wǎng)絡(luò)提取多級(jí)特征。然后通過空洞卷積構(gòu)建高級(jí)語義信息處理模塊GFM，基于多級(jí)特征，得到語義特征，并構(gòu)建邊緣提取模塊EEM，提取邊緣特征。最后在解碼階段，基于多級(jí)特征進(jìn)行解碼，并構(gòu)建信息融合模塊EFM，結(jié)合語義特征和邊緣特征進(jìn)行特征融合，輸出目標(biāo)檢測結(jié)果。本發(fā)明能夠更好的利用高級(jí)語義信息和邊緣信息，得到準(zhǔn)確的顯著目標(biāo)檢測結(jié)果。

技術(shù)研發(fā)人員：周曉飛,李茂正,張繼勇,佘青山,喬通,章國道
受保護(hù)的技術(shù)使用者：杭州電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10