【前沿热点视觉算法|Sora|GPT4相关】-光学遥感图像中显著目标检测的混合特征对齐网络

• 计算机视觉算法分享。问题或建议，请文章私信或者文章末尾扫码加微信留言。
• sora 具体介绍和使用方法：OpenAI Sora 下一代生产力：最新小白必看教程 | 解剖Sora的前世今生 | Sora核心源码
• 目前 openai 官方还未开放 sora 灰度，不过根据文生图模型 DALL·E 案例，一定是先给 ChatGPT Plus 付费用户使用，需要注册或者升级 GPT Plus 可以看这个教程:ChatGPT Plus 1分钟一键升级

1 论文题目

• 光学遥感图像中显著目标检测的混合特征对齐网络

2 论文摘要

• 摘要：近年来，光学遥感图像（RSI-SOD）中突出的目标检测技术引起了广泛的关注。由于深度学习的成功和自然SOD任务的启发，RSI-SOD在过去的两年中取得了快速的进步。然而，现有的方法通常存在光学rsi的固有问题，1)背景杂乱；2)突出物体的尺度变化；3)复杂的边缘和不规则的拓扑结构。为了解决这些问题，我们提出了一种混合特征对齐网络（HFANet）联合建模边界学习，以有效地检测显著目标。具体地说，我们设计了一个混合编码器，通过统一两个组件来捕获全局上下文，以减轻复杂背景的干扰。然后，为了有效地检测多尺度显著对象，我们提出了一种门控Fold-ASPP（GF-ASPP）来提取深度语义特征中丰富的上下文。此外，还提出了一种相邻特征对齐模块（AFAM），用于将相邻特征与非参数化对齐策略进行集成。最后，我们提出了一种新的将显著性和边缘检测相结合的交互式制导损失（IGLoss），它可以自适应地对两个子任务进行相互监督，便于对边缘模糊和不规则拓扑的显著对象的检测。在三个光学RSI-SOD数据集上的充分实验结果表明，所提出的方法超过了18个最先进的方法。

3 论文创新点

• 为了解决光学RSIs的背景混乱引起的混叠问题，我们提出了一种混合编码器，它结合cnn和变压器架构，自适应地学习不同层次的局部/全局上下文。
• 为了有效地检测多尺度显著目标，我们设计了AFAM来解决相邻特征之间的错位问题。此外，还引入了GF-ASPP来捕获丰富的深度上下文特征。
• 提出了IGLoss来识别光学rsi中具有复杂边缘和不规则拓扑的对象。它采用自适应的方法对联合区域和边界检测。
• 为了实现对现有方法的公平比较，我们首先发布了一个公共代码库，以促进未来的研究。它包括2种传统方法，10种基于cnn的NSI-SOD算法，7种基于cnn的RSI-SOD方法。
• 大量的实验表明，我们的算法优于18种最先进的方法，并且我们发现所提出的IGLoss比最近的新目标函数[37]-[39]更适用于光学RSIs。

4 论文架构

5 不足之处

• 无

6 未来展望

• 无

7 论文地址

• https://ieeexplore.ieee.org/abstract/document/9791375/

8 论文代码

• https://github.com/lyf0801/HFANet

计算机视觉最新进展-Sora

• 计算机视觉算法分享。问题或建议，请文章私信或者文章末尾扫码加微信留言。
• sora 具体介绍和使用方法：OpenAI Sora 下一代生产力：最新小白必看教程 | 解剖Sora的前世今生 | Sora核心源码
• 目前 openai 官方还未开放 sora 灰度，不过根据文生图模型 DALL·E 案例，一定是先给 ChatGPT Plus 付费用户使用，需要注册或者升级 GPT Plus 可以看这个教程:ChatGPT Plus 1分钟一键升级

• 如有其他疑问可以加以下微信二维码联系
  
• 更多计算机视觉最新最先进算法请扫描关注以下公众号
  -