[发明专利]一种选择性边缘信息引导的遥感目标显著性检测方法

权利要求书

1.一种选择性边缘信息引导的遥感目标显著性检测方法，其特征在于，步骤如下：

步骤1、图像数据预处理，获得预处理后的图像训练集：

训练数据集采用EORSSD图像数据集；对待训练数据集进行图像预处理，首先去除图像相关噪声干扰使数据更加精确，并利用matlab工具获得只含边缘轮廓的图像训练集，然后对获取的图像训练集进行扩增；

步骤2、目标显著性检测网络搭建：

网络结构采用encoder-decoder结构，包括编码部分和解码部分；编码部分采用ResNet34，在解码部分采用两个部分解码结构PDC及PDC-with edge，两个部分解码结构的输出结果将通过质量评估模块与真值图进行比较评估，选择更优的结果输出为粗糙图像，并输入优化卷积块中，输出最终结果；

步骤3、通过步骤1获得的图像训练集对目标显著性检测网络进行训练。

2.根据权利要求1所述的一种选择性边缘信息引导的遥感目标显著性检测方法，其特征在于，步骤2所述的目标显著性检测网络具体结构如下：

编码部分包括五个卷积块，五个卷积块均采用ResNet34，第一、二个卷积块的信息除了向下传播外，也会被分别输入两个边缘信息提取块组中，从而提取浅层丰富的边缘特征；第五个卷积块的信息将会输入到两个部分解码结构PDC及PDC-with edge中，其中PDC仅对编码主路的信息进行解码得到一个粗略的分割结果图，PDC-with edge则将编码主路的信息与浅层提取的边缘特征进行连接，从而也输出一个粗略的分割结果图；将两个粗略的分割结果图输入到质量评估模块中，分别与Ground truth进行比较，选择评测结果更好的结果图输入到优化卷积块当中，并输出最终结果即高质量的输出图像；

最终输出使用混合loss函数进行约束，边缘信息则仅采用ssim loss函数进行约束。

3.根据权利要求2所述的一种选择性边缘信息引导的遥感目标显著性检测方法，其特征在于，边缘信息提取块组中所包含的各个提取块中提取的信息定义为：

x_i+1＝Bn(ReLU(conv3×3(x_i)))

其中，x_i表示输入特征信息，x_i+1表示输出特征信息，conv3×3代表卷积核为3*3的卷积操作，ReLU为激活函数，Bn为正则化；每个边缘信息提取块组均含三个提取步骤，在每个边缘信息提取块组中均含有3个提取块用以提取信息；最终，两个提取块组所提取的特征信息连接后输入到一个解码器中得到边缘图片。

4.根据权利要求3所述的一种选择性边缘信息引导的遥感目标显著性检测方法，其特征在于，所述的质量评估模块包括5层结构，其中前四个卷积层卷积核大小为3，步长为2，第五层为全连接层，并生成0、1两种结果；质量评估模块采用结果比较的办法，分别计算PDC支路的输出结果f₁(x)和PDC-with edge支路的输出结果f₂(x)与真值图的相似度，相似度更高的一条支路将会被定义为1，反之则定义为0，以此为监督来选择输出的支路；需要注意的是，输入图片及其对应的edge map将会被连接后输入到质量评估模块，从而让网络自主学习对边缘特征的取舍。

5.根据权利要求4所述的一种选择性边缘信息引导的遥感目标显著性检测方法，其特征在于，所述的混合loss函数如下：

l＝l_bce+l_ssim+l_iou

其中G(x,y),T(x,y)分别为ground truth和预测结果在各个位置的数值，μ和σ分别为均值和标准差，H,W为图片的高和宽，C1＝0.01²，C2＝0.03²，用于防止分母为零。

6.根据权利要求5所述的一种选择性边缘信息引导的遥感目标显著性检测方法，其特征在于，步骤3具体方法如下：

采用Adam优化器进行优化，学习率设置为0.001，beta＝(0.9,0.999),eps＝1e-8,weight_decay＝0；将输入图像resize为256*256，epoch设置为120，batch size为8。