(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210019714.1 (22)申请日 2022.01.10 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 王卫红　孔永靖　夏列钢　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 专利代理师 王兵　王幸祥 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 结合频率与边缘学习的高分遥感影像显著 性目标检测方法 (57)摘要 结合频率与边缘学习的高分遥感影像显著 性目标检测方法， 包括： 根据目标地物轮廓绘制 样本， 制作边缘检测样本以及语义分割样本； 搭 建引入了边缘学习以及基于频谱的通道注意力 机制的神经网络模型， 将高分遥感影像、 边缘检 测样本、 语义分割样本输入训练至拟合状态， 得 到遥感影像的显著性目标检测模 型； 输入高分遥 感影像获取预测图像。 本发明结合了边缘学习以 及基于频谱的通道注意力机制， 解决了传统遥感 领域显著性检测边缘不清晰的问题， 以及使用深 度学习方法缺少对光谱特征而导致的检测不精 确的问题。 权利要求书2页 说明书4页 附图2页 CN 114529829 A 2022.05.24 CN 114529829 A 1.结合频率与边 缘学习的高分遥感影 像显著性目标检测方法， 包括以下步骤： 步骤1： 制作高分遥感影像样本， 人工描画目标的精确边界并标注语义类型， 进行栅格 化处理， 生成相应的线标签样本和面标签样本， 并使用数据增强方法扩充样本； 步骤2： 搭建高分遥感影 像显著性目标检测网络模型； 步骤2.1： 选取合适的CNN网络作为backbone， 其中较低层的卷积后的数据用于目标边 缘特征提取模块， 其 他层的卷积用于 显著性目标 特征提取模块； 步骤2.2： 在有维度下降的卷积后 接入FCA注意力机制， 给图像的特征赋予二维的权重， 其强化了通道信息以及遥感影 像的频率信息， 其中 步骤2.3： 目标边缘特征提取模块与显著性目标特征提取模块均是经过三次卷积加激 活函数组合的操作， 且从最下层的显著 性目标特征提取模块开始， 均将数据传递给上一层， 用于强化上一层的特征信息， 且最下层的特征信息经过一次步骤2.2后传给边缘特征提取 模块， 强化该模块的特 征信息； 步骤2.4： 目标边缘特征提取模块与显著性目标特征提取模块每一层再经过一次卷积 加激活函数的组合操作后获取预测图像， 使用线标签样本计算各层中的边缘损失之和 lossedge,其中 步骤2.5： 目标边缘特征提取模块与显著性目标特征提取模块重复步骤2.2后接入边缘 融合模块进行一对一融合， 卷积后 获取各层的预测图像， 使用面标签计算语义分割的损失 losssal； 步骤2.6： 将边缘融合模块中的每一层经过三次卷积加激活函数的组合操作扩大视野 后再经过一次卷积加激活函数的组合操作获取预测图像。 将步骤2.5中各层特征进 行融合， 并计算总损失 loss＝lossedge+losssal      (3) 步骤3： 利用步骤1中的样本训练该网络模型至拟合状态； 步骤4： 通过 该网络模型获取 预测图像。 2.如权利要求1所述的结合频率与边缘学习的高分遥感影像显著性目标检测方法， 其 特征在于： 步骤1具体包括：权　利　要　求　书 1/2 页 2 CN 114529829 A 2(1‑1)准备高分遥感影像： 确定显著性区域， 采用ArcGIS软件对地物目标的边缘进行人 工标注， 严格遵循真实目标边界绘制， 并赋予地物目标语义类型属性值， 其中显著区域标注 为1， 其他区域标注为0， 得到对应的矢量文件和原 图， 将矢量文件栅格化为面标签和线标 签； (1‑2)对数据进行扩充： 对步骤(1 ‑1)所得图进行镜像、 旋转和裁剪的数据增强操作， 扩 充面标签与线标签样本 。 3.如权利要求1所述的结合频率与边缘学习的高分遥感影像显著性目标检测方法， 其 特征在于： 步骤3具体包括： (3‑1)初始化权重， 设置模型的超参数： 卷层的权重均使用截断法线(σ ＝0.01)随机初 始化， 并且偏差初始化为0； 超参数的设置如下： learning  rate＝5e ‑5， weight  decay＝ 0.0005， momentum＝0.9， 每侧输出的损失权重等于1， 使用Adam优化器对网络梯度进行更 新； (3‑2)将数据源设置为准备好的数据源， 训练网络模型至拟合状态， 获取最终的网络模 型参数。权　利　要　求　书 2/2 页 3 CN 114529829 A 3