申请/专利权人：杭州电子科技大学

申请日：2024-01-08

公开（公告）日：2024-04-02

公开（公告）号：CN117809198A

主分类号：G06V20/13

分类号：G06V20/13;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了基于多尺度特征聚合网络的遥感图像显著性检测方法。首先进行数据集的收集和扩增；然后通过主干网络进行特征提取；再采用多尺度特征引导模块，使用不同膨胀率的膨胀卷积和特征注意力引导操作，同时融合主干网络分支的不同尺度的特征信息；对于得到的两个分支的特征通过特征对齐模块使用可变形卷积DCN来进行特征对齐聚合；最后解码最终特征生成预测图并进行损失监督。本发明提出了一种双分支架构网络来聚合两主干网络的特征，通过多尺度特征引导模块将来自不同分支的多尺度特征进行融合，更好地建模特征之间的上下文关系，增强了模型对不同尺度目标的感知能力，提高了对目标的识别和定位精度。

主权项：1.基于多尺度特征聚合网络的遥感图像显著性检测方法，其特征在于，执行步骤如下：步骤1：数据集的收集和扩增；数据集中必须包括不同类别，不同环境下的遥感图像以避免图像单一，网络泛化能力弱；其次，数据集进行扩增，弥补数据集图像数量少的问题，以降低过拟合的风险；步骤2：通过主干网络进行特征提取；对输入图像进行预处理后，使用VGG16和Swin-Transformer两个主干网络分别进行特征提取；步骤3：采用多尺度特征引导模块，使用不同膨胀率的膨胀卷积和特征注意力引导操作，同时融合来自Swin-Transformer和VGG16分支的不同尺度的特征信息；步骤4：对于步骤3得到的两个分支的特征通过特征对齐模块使用可变形卷积DCN来进行特征对齐聚合；步骤5：解码最终特征生成预测图并进行损失监督；对步骤4输出得到的特征进行解码并对输出进行损失监督。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于多尺度特征聚合网络的遥感图像显著性检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD