面向光学遥感图像的统一域认知网络用于显著物体检测
计算机视觉与模式识别
2024-11-12 v1
摘要
最近，基于深度学习的光学遥感图像（ORSIs）显著物体检测（SOD）取得了显著的突破。我们观察到，现有的ORSIs-SOD方法始终围绕优化空间域中的像素特征，逐步区分背景与物体。然而，像素信息代表了局部属性，这些属性常与其周围上下文相关联。即使采用扩展局部区域的策略，空间特征仍偏向局部特征，缺乏全局感知能力。为解决此问题，我们引入傅里叶变换生成全局频率特征并实现图像尺寸的感受野。具体而言，我们提出了一种新颖的统一域认知网络（UDCNet），用于联合探索频率域和空间域中的全局-局部信息。技术上，我们首先设计了频率-空间域变换模块，互相融合互补的局部空间和全局频率特征，以强化初始输入特征的能力。此外，构建了稠密语义挖掘模块，用于捕获更高层次的语义以指导遥感物体的位置。最后，我们设计了双分支联合优化解码器，将显著性和边缘分支应用于生成用于预测显著物体的高质量表示。实验结果表明，提出的UDCNet方法在三个广泛使用的ORSIs-SOD数据集上，通过大量定性和定量比较，优于24个最先进的模型。源代码可在 \href{https://github.com/CSYSI/UDCNet}{\color{blue} https://github.com/CSYSI/UDCNet} 获取。
引用
@article{arxiv.2411.06703,
title = {United Domain Cognition Network for Salient Object Detection in Optical Remote Sensing Images},
author = {Yanguang Sun and Jian Yang and Lei Luo},
journal= {arXiv preprint arXiv:2411.06703},
year = {2024}
}
备注
Accepted at TGRS 2024