为什么要看这篇
这篇论文用到了DAFNet的数据增强方法
基本信息
期刊 | IEEE TRANSACTIONS ON IMAGE PROCESSING |
---|---|
年份 | 2021 |
论文地址 | https://ieeexplore.ieee.org/abstract/document/9292434/ |
代码地址 | https://github.com/rmcong/DAFNet_TIP20 |
标题
光学遥感图像显著目标检测的密集注意流体网络
目前存在的问题
- 目前针对光学遥感图像(RSIs)SOD的研究还很有限。通常情况下,光学rsi覆盖范围广,背景复杂,噪声干扰多样。在大规模的、具有挑战性的光学RSIs中,只有局部区域(如人造目标、岛屿、水系等)才会引起人类的注意,而光学RSIs的SOD主要是检测场景中这些显著的目标或区域
- 光学RSIs具有覆盖范围广、纹理和视觉外观多样、物体尺度和方向多变、背景背景冗余等特点。因此,直接将专为NSIs开发的现有SOD方法应用于RSIs将是不可靠的
改进
- 我们提出了一种新的密集注意流体(DAF)结构,该结构可以在不同层次的注意模块之间建立显式的连接。通过这种方式,低层次的注意力线索可以流向更深层次,从而指导高层次注意力地图的生成。
- 我们提出一种全局上下文感知的注意机制,该机制通过捕获每个像素对之间的长期语义依赖关系来利用全局上下文信息。该设计的优势在于整合点对点语义关系,实现显著性模式的特征对齐和相互强化
网络结构
损失函数
边缘损失BCE和显著图损失BCE
训练
对数据集ORSSD和EORSSD进行60个epoch训练,采用翻转和旋转相结合的数据增强技术提高训练样本的多样性,每个样本产生7个变体,前20个阶段的学习速率固定为1e−4,然后平均下降到1e−6
测试
对数据集ORSSD和EORSSD进行测试
我的总结
这篇论文创新点在于使用了全局上下文的注意机制