1.一种基于增强感受野的光学遥感图像显著目标检测方法,其特征在于,所述基于增强感受野的光学遥感图像显著目标检测方法,通过构建的检测模型进行光学遥感图像显著目标检测,包括:使用Res2Net对待预测光学遥感图像进行特征提取,提取五种尺度的编码特征;
将提取到的编码特征分别输入分叉跳跃连接模块,输出感受野增强的特征;
将感受野增强的特征分别输入分散集成模块,进一步丰富纹理信息,输出细化后特征;
将细化后特征分别输入解码器,输出最终预测结果。
2.根据权利要求1所述的基于增强感受野的光学遥感图像显著目标检测方法,其特征在于,所述分叉跳跃连接模块,执行如下操作:通过一层1×1卷积,压缩编码特征的通道数;
t,1
将压缩通道后的特征输入三层连续的3×3卷积层中,提取到第一层特征f 、第二层特t,2 t,3征f 和第三层特征f ;
将三层连续的3×3卷积层中第一层和第二层的输出分别进行扩张率为1和2的扩张卷积操作,得到特征 和t,3
将三层连续的3×3卷积层中的第三层特征f 和扩张卷积操作后的特征 进行通道连接操作,得到具有丰富上下文信息的特征通过空间全局最大池和元素级乘法操作捕获特征 的空间注意信息将特征 与其空间注意信息 进行元素级加法操作,减少冗余的信息,并获得感受野增强的特征
3.根据权利要求1所述的基于增强感受野的光学遥感图像显著目标检测方法,其特征在于,所述分散集成模块,执行如下操作:分别采用最大池化和1×1卷积层对感受野增强的特征 进行下采样操作,得到三个不同的特征通过通道全局最大池和通道级乘法操作捕获特征 的通道注意信息采用空间全局最大池和元素级乘法操作捕获通道注意信息 的空间注意信息将空间注意信息 进行上采样操作,并与特征 进行通道连接操作,得到特征采用通道全局最大池和通道级乘法操作捕获特征 的通道注意信息 并采用空间全局最大池化和元素级乘法操作捕获通道注意信息 的空间注意信息将空间注意信息 进行上采样操作,并与特征 进行通道连接操作,得到特征采用通道全局最大池和通道级乘法操作捕获特征 的通道注意信息 并采用采用空间全局最大池和元素级乘法操作捕获通道注意信息 的空间注意信息,得到细化后的特征
4.根据权利要求1所述的基于增强感受野的光学遥感图像显著目标检测方法,其特征在于,所述解码器,执行如下操作:将第五种尺度对应的细化后特征 输入两层连续的3×3卷积层和一层2×2的反卷积层,得到特征将第四种尺度对应的细化后特征 与特征 进行通道连接操作,并输入两层连续的3×3卷积层和一层2×2的反卷积层,得到特征将第三种尺度对应的细化后特征 与特征 进行通道连接操作,并输入两层连续的3×3卷积层和一层2×2的反卷积层,得到特征将第二种尺度对应的细化后特征 与特征 进行通道连接操作,并输入两层连续的3×3卷积层和一层2×2的反卷积层,得到特征将第一种尺度对应的细化后特征 与特征 进行通道连接操作,并输入两层连续的3×3卷积层和一层2×2的反卷积层,得到特征将特征 输入一层连续的1×1卷积层将特征通道降低至1,得到检测结果。
5.根据权利要求4所述的基于增强感受野的光学遥感图像显著目标检测方法,其特征在于,所述基于增强感受野的光学遥感图像显著目标检测方法,还包括:将特征 分别输入一层1×1卷积层将特征通道降低至1,得到t
对应的输出特征P;
t
将输出特征P ,t∈{1,2,3,4,5}与实际标签计算损失,用计算的损失监督检测模型训练,损失的计算公式如下:其中 表示BCE损失, 表示IoU损失, 表示F‑m损失,G代表实际标签。