定位、平衡与亲和力：一种更强的多方位协同遥感图像显著目标检测器
计算机视觉与模式识别
2024-11-01 v1 人工智能
摘要
尽管光学遥感图像（ORSI）中的显著目标检测（SOD）取得了显著进展，但由于ORSI复杂的边缘结构及其上下文关系的复杂性，挑战依然存在。当前的深度学习方法在准确识别边界特征方面遇到困难，并且在利用上下文特征协同建模前景和背景方面缺乏效率。为了解决这些挑战，我们提出了一种更强的ORSI多方位协同显著目标检测器，称为LBA-MCNet，它融合了定位、平衡和亲和力三个方面。该网络专注于准确定位目标、平衡细节特征以及建模图像级全局上下文信息。具体来说，我们设计了边缘特征自适应平衡与调整（EFABA）模块用于精确的边缘定位，利用边缘特征引导注意力到边界并保留空间细节。此外，我们设计了全局分布式亲和力学习（GDAL）模块来建模全局上下文。它通过从编码器的最后一层生成亲和力图来捕获全局上下文，确保对全局模式的有效建模。此外，反卷积过程中的深度监督进一步增强了特征表示。最后，我们在三个公开数据集上与28种最先进的方法进行了比较。结果清楚地证明了我们方法的优越性。
引用
@article{arxiv.2410.23991,
title = {Localization, balance and affinity: a stronger multifaceted collaborative salient object detector in remote sensing images},
author = {Yakun Xie and Suning Liu and Hongyu Chen and Shaohan Cao and Huixin Zhang and Dejun Feng and Qian Wan and Jun Zhu and Qing Zhu},
journal= {arXiv preprint arXiv:2410.23991},
year = {2024}
}