为什么要看这篇
这篇是老师发的,主要是用来解决遥感显著性检测的边缘问题
基本信息
期刊 | IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING |
---|---|
年份 | 2022 |
论文地址 | https://ieeexplore.ieee.org/abstract/document/9964115 |
代码地址 | https://github.com/Kunye-Shen/EMFINet |
标题
光学遥感图像边缘感知多尺度特征集成网络的显著性目标检测
目前存在的问题
现有的光学RSI显著性模型在描述显著性对象时忽略了精细边缘或边界细节的影响,而预测的显著性映射往往具有低质量的边界细节。同时,为了解决粗边界问题,现有的自然图像显著性模型么只将边缘信息部署到显著性推理阶段,要么将其嵌入到损失函数中
改进
- 我们利用边缘模块将低层次和高层次的深度特征结合起来,得到丰富的显著边缘特征,并利用这些显著边缘特征显式地丰富多尺度的深度特征;另一方面,在损耗计算中,引入了包含边缘感知约束的混合损耗,将精细边缘信息隐式地注入到显著性映射中
- 解码器即深度特征聚合模块,通过一组卷积和上采样操作,将丰富的多尺度深度特征由粗到细进行整合,生成结构完整、细节清晰、边界准确的高质量显著图
网络结构
输入是三个不同分辨率的光学遥感图像,编码器用于提取多尺度深度特征,解码器用于以由粗到细的方式聚合多尺度深度特征
级联的特征融合模块试图减轻由显著对象的尺度多样性引起的障碍(也就是上图紫色虚线框选的区域)
边缘模块为橙色实体框
Multiscale Feature Extraction模块(多尺度特征提取模块)
我们首先通过因子2和因子4对原始图像I1进行下采样,生成另外两个图像{I2,I3}。然后,具有不同分辨率的三个图像{I1,I2,I3}被传递到具有相同结构的三个并行卷积分支,随后,为了聚合这三个深度语义特征,我们部署了一个级联特征融合模块
Salient Edge Extraction and Integration模块(显著边缘的提取与融合模块)
浅层特征能够描述丰富的空间细节,如边缘信息,而深层特征试图捕捉语义知识
联合低级和高级深度特征以生成显著边缘线索E,首先使用上采样或下采样操作将显著边缘线索E的大小调整为与多尺度深度特征相同的大小,从而产生对应的显著边缘线索{Ej },j=1。这里,第j个边缘线索Ej具有与第j个深度特征F1 j相同的空间大小,并且对应的采样率sr j被设置为2|j−2|.然后,传递Ej以与多尺度深度特征集成
特别的,为了扩大感受野并捕获强大的全局上下文,我们添加了桥接模块,如下图所示
Deep Feature Aggregation模块(深度特征聚合)
损失函数
BCE+IOU+SSIM
训练
ORSSD,EORSSD都进行了数据增强,学习率10e-4,epoch为130
测试
ORSSD,EORSSD
我的总结
这篇论文先对图像做了2个不同下采样,形成3个不同的路径,选取3个不同路径的最后一层特征,进行特征聚合,形成最后一个特征F5,再将原图像的前四层特征和最后一层特征送入后续的边缘改进模块,边缘改进模块在最后一层的特征中使用了一个桥模块,桥模块相当于过了并行的四个不同大小的空洞卷积,以扩大感受野并捕获强大的全局上下文