论文阅读——CRNet: Channel-Enhanced Remodeling-Based Network for Salient Object Detection in Optical

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	2023
论文地址	https://ieeexplore.ieee.org/abstract/document/10217013
代码地址	https://github.com/hilitteq/CRNet.git

标题

CRNet：一种基于网格增强重构的光学遥感图像显著目标检测网络

目前存在的问题

1. 除了它们的尺寸差异之外，这些目标由于拍摄距离而具有不同的目标尺度大小
2. 小物体在整个图像中占较少的像素，使得在网络训练期间更难以学习。而且，网络模型在学习ORSIs的过程中面向大对象，而小对象容易被忽略，导致检测效果不佳
3. ORSIs覆盖的视场范围大，背景信息复杂多样，对显著目标的检测会产生很强的干扰

改进

1. 对于浅层特征，我们创建了一个通道增强模块(CEM)，该模块结合了通道注意(CA)机制和局部通道交互。这个模块有助于建立边界细节，同时减少复杂背景和阴影的干扰
2. 对于语义更丰富的深层特征，我们提出了重定义特征模块(redefined feature module, RFM)，通过重构全局上下文语义信息来实现显著性目标的完整检测
3. 解码器模块的融合过程以逐步恢复分辨率的方式推断出显著目标，结合定位和细节填充完成检测任务

网络结构

Feature-Enhanced Encoder(功能增强的编码器)
首先，我们将浅层特征f1和f2输入CEM。然后，通过CA机制和群卷积实现了去除冗余背景信息和精细表达前景细节的功能。最后生成信道增强特征F1和F2。对于深度特征f3 - f5，采用RFM进行特征结构变换。利用目标像素和通道之间的语义相关性，生成重构增强特征F3-F5

CEM(Channel Enhance Module)
浅层特征具有较高的空间分辨率，包含更详细的信息，有利于不同尺度下显著性目标的恢复，尤其是小目标。

RFM(Refined Feature Module)
同一物品的多个目标具有相同的视觉和语义特征。在识别出一种目标后，相似的语义关联有助于检测出同一类型的目标。构建不同空间区域之间的相关性有助于检测结构完整的目标，基于图的模型可以有效地推断上下文语义相关性。因此，我们可以通过图变换来增强像素之间的语义相关性，定位目标位置，聚合目标结构。

Progressive Fusion Decoder(渐进式融合解码器)

损失函数

BCE+IOU

训练

ORSSD，EORSSD，ORSI-4199，初始学习率5e-5，最小学习率5e-6，epoch为50

测试

ORSSD，EORSSD

我的总结

总的来说，浅层特征和深层特征走的路径不同