一种遥感图像显著性目标检测方法、系统、设备及介质

专利主权项内容

1.基于跨模型嵌套融合的遥感图像显著性目标检测方法，其特征在于，包括：利用卷积神经网络对给定光学遥感图像进行特征提取并得到图像特征；利用图卷积神经网络对给定光学遥感图像进行特征提取并得到图像特征；通过构建的注意力增强的渐进嵌套融合网络对得到的两种图像特征进行渐进嵌套融合和特征增强，得到最终的显著性目标检测图；每个注意力增强解码子模块接收三个或两个来自前面注意力增强解码子模块输入，并将输入的特征信息进行交替的混合空间注意力和通道注意力操作，实现对特征在空间维度和通道维度上的优化及增强；具体包括：对于给定不同模式下抽取的异构特征x1、x2、x3，对特征x1进行空间注意力Fpsa生成空间注意力权重SA，如式(10)所示：SA＝F(x1) (10)psa使用注意力增强模块和空间注意力SA对特征进行增强，得到如式(11)所示：通过执行两个卷积操作对增强特征进行连接和融合，如式(12)所示：其中，F表示普通的空间注意力操作，concat表示在通道维度上拼接不同特征操作，conv表示卷积层；AE表示注意力增强；psa注意力增强模块通过混合通道注意力模块HCA-M和普通空间注意力模块PSA-M来分别增强特征，包括：对于特征通道，混合通道注意力来抑制其背景信息通道而突出前景信息通道；对于特征空间图，通过聚焦空间位置上的重要前景信息，进而实现突出前景并抑制背景；混合通道注意力模块HCA-M计算方法如式(13)所示：AE＝PSA(HCA(x)) (13)其中，HCA和PSA表示混合通道注意力子模块和普通空间注意力子模块；计算逐通道的最大值，如式(14)所示：max＝max_Pool(x) (14)其中，x∈R代表特征图，max_Pool代表空间维度上的最大池化操作；d×H×W通过式(15)获取相反的特征图：x＝max-x (15)r其中，max表示每个通道的最大值，x∈R表示反转后的特征图；rd×H×W原始特征图与反转后的特征图进行加权平均，如式(16)所示：x＝x+α⊙(conv(x)⊙x) (16)er其中，α是可学习参数并且每个值代表每个通道的重要性；x∈R则是增强后的特征图；新的通道注意力权重在x的基础上产生，如式(17)所示：ed×H×Wew＝FCL(max_Pool(x)) (17)hcae其中，FCL代表全连接层；新的特征图x通过通道注意力增强获得，如式(18)所示：hcax＝x+w⊙x (18)hcaehcae其中，⊙代表逐元素哈达玛积乘法，w指通道注意力权值；hca对于PSA，对x进行卷积操作得到空间注意力图，如式(19)所示：hcaF＝σ(conv(x)) (19)psahca其中，conv代表卷积操作，σ指sigmoid激活函数；使用式(20)得到空间注意力增强的特征图：x＝x+F(x)⊙x (20)psahcapsahcahca其中，⊙代表逐元素哈达玛积操作。