[发明专利]基于多尺度特征融合的遥感图像显著目标检测方法及装置

权利要求书

1.基于多尺度特征融合的遥感图像显著目标检测方法，其特征在于，包括：

步骤10，对数据集中的图像进行预处理，获得所需训练数据；

步骤20，构建U-net卷积神经网络模型：

所述U-net结构采用编码-解码模式，且编码和解码之间添加3个3*3的卷积层作为桥接；

编码部分与解码部分为对称结构；其中，编码部分由一个输入卷积层和六个卷积块组成，前四个卷积块采用ResNet34；

步骤30，利用获得的训练数据，对构建的U-net卷积神经网络模型进行训练；

步骤40，将训练好的U-net卷积神经网络模型用于遥感图像显著目标检测。

2.根据权利要求1所述的方法，其特征在于，所述对数据集中的图像进行预处理，获得所需训练数据，包括：

首先除去图像相关噪声干扰，然后对数据集进行扩增处理。

3.根据权利要求2所述的方法，其特征在于，所述扩增处理包括镜像处理和/或随机裁剪。

4.根据权利要求1所述的方法，其特征在于，对decode部分的各个边缘输出采用交叉熵损失函数BCE和交并比损失函数IoU进行约束。

5.根据权利要求1所述的方法，其特征在于，网络模型训练时，采用Pytorch进行，网络卷积编码部分采用ResNet进行初始化，其余部分采用Xavier进行初始化；网络采用Adam优化器进行梯度更新，对应的初始学习率a＝0.001，衰减率beta＝(0.9,0.999),数值稳定参数eps＝1e-8,权重衰减weight_decay＝0。

6.基于多尺度特征融合的遥感图像显著目标检测装置，其特征在于，包括预处理模块、构建模块、训练模块和检测模块；其中，

所述预处理模块，用于对数据集中的图像进行预处理，获得所需训练数据；

所述构建模块，用于构建U-net卷积神经网络模型：

所述U-net结构采用编码-解码模式，且编码和解码之间添加3个3*3的卷积层作为桥接；

编码部分与解码部分为对称结构；其中，编码部分由一个输入卷积层和六个卷积块组成，前四个卷积块采用ResNet34；

所述训练模块，用于利用获得的训练数据，对构建的U-net卷积神经网络模型进行训练；

检测模块，用于将训练好的U-net卷积神经网络模型用于遥感图像显著目标检测。

7.根据权利要求6所述的装置，其特征在于，所述预处理模块，具体用于首先除去图像相关噪声干扰，然后对数据集进行扩增处理。

8.根据权利要求6所述的装置，其特征在于，所述构建模块对解码部分的各个边缘输出采用交叉熵损失函数BCE和交并比损失函数IoU进行约束。

9.基于多尺度特征融合的遥感图像显著目标检测系统，其特征在于，所述系统包括至少一个处理器和存储器；

所述存储器，用于存储一个或多个程序指令；

所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1至5中一个或多个所述的方法。

10.一种芯片，其特征在于，所述芯片与系统中的存储器耦合，使得所述芯片在运行时调用所述存储器中存储的程序指令，实现如权利要求1至5中一个或多个所述的方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括一个或多个程序指令，所述一个或多个程序指令可被如权利要求9所述的系统执行，以实现如权利要求1至5中一个或多个所述的方法。