该文将深度学习用于遥感图像融合,在训练深度网络时加入了结构风险最小化的损失函数,提出了一种基于深度支撑值学习网络的融合方法.为了避免图像融合过程中的信息损失,在传统卷积神经网络的基础上,取消了特征映射层的下采样过程,构建了...该文将深度学习用于遥感图像融合,在训练深度网络时加入了结构风险最小化的损失函数,提出了一种基于深度支撑值学习网络的融合方法.为了避免图像融合过程中的信息损失,在传统卷积神经网络的基础上,取消了特征映射层的下采样过程,构建了深度支撑值学习网络(Deep Support Value Learning Networks,DSVL Nets),DSVL Nets网络模型包含5个隐藏层,每一层的基本结构由卷积层和线性层构成,该基本单元提供了一种多尺度、多方向、各向异性、非下采样的冗余变换,该模型在网络训练完毕之后,取出各卷积层和第5个隐藏层的线性层作为网络模型的输出层.输出层的各卷积层图像融合采用绝对值取大法,得到融合后的各卷积层图像;另外,将线性层图像分别在过完备字典上进行稀疏表示,并对稀疏系数采用绝对值取大法进行融合,得到融合后的线性层图像;最后将融合后的各卷积层和线性层图像重构得到结果图像.文中使用QuickBird和Geoeye卫星数据验证本文所提方法的有效性,实验结果表明,与PCA、AWLP、PN-TSSC和SVT算法相比较,该文所提方法的融合结果无论在主观视觉还是客观评价指标上均优于对比算法,较好地保持了图像的光谱信息和空间信息.展开更多
为解决遥感图像小目标检测中目标特征信息量少、定位困难等难题,提出一种基于特征融合与注意力机制的遥感图像小目标检测算法FFAM-YOLO(Feature Fusion and Attention Mechanism YOLO)。该算法首先针对主干网络特征提取有效信息量少、...为解决遥感图像小目标检测中目标特征信息量少、定位困难等难题,提出一种基于特征融合与注意力机制的遥感图像小目标检测算法FFAM-YOLO(Feature Fusion and Attention Mechanism YOLO)。该算法首先针对主干网络特征提取有效信息量少、特征图信息表征能力弱的问题,构造特征增强模块(FEM)以融合较低层级特征图中多重感受野特征,提升算法主干网络的目标特征提取能力;其次,主干网络提取得到高低层级特征图后,建立重构算法的高低层级特征融合结构,利用特征融合模块(FFM)显著增强小目标的特征信息;在增强的有效通道注意力机制(E-ECA)与空间注意力模块(SAM)所组成的级联注意力机制(ESM)作用下,可更精确地捕获小目标特征;最后在输出的两路特征图上进行小目标检测并输出结果。实验结果表明,基于构建的遥感图像小目标数据集USOD(Unicorn Small Object Dataset),所提算法的查准率达到91.9%,查全率达到83.5%,检测框与真实框之间的交并比阈值(IoU)为0.5时的平均精度(AP)为89%,IoU为0.5∶0.95时的AP达到32.6%,检测速率达到120 frame/s,具有一定的鲁棒性和实时性。展开更多
文摘该文将深度学习用于遥感图像融合,在训练深度网络时加入了结构风险最小化的损失函数,提出了一种基于深度支撑值学习网络的融合方法.为了避免图像融合过程中的信息损失,在传统卷积神经网络的基础上,取消了特征映射层的下采样过程,构建了深度支撑值学习网络(Deep Support Value Learning Networks,DSVL Nets),DSVL Nets网络模型包含5个隐藏层,每一层的基本结构由卷积层和线性层构成,该基本单元提供了一种多尺度、多方向、各向异性、非下采样的冗余变换,该模型在网络训练完毕之后,取出各卷积层和第5个隐藏层的线性层作为网络模型的输出层.输出层的各卷积层图像融合采用绝对值取大法,得到融合后的各卷积层图像;另外,将线性层图像分别在过完备字典上进行稀疏表示,并对稀疏系数采用绝对值取大法进行融合,得到融合后的线性层图像;最后将融合后的各卷积层和线性层图像重构得到结果图像.文中使用QuickBird和Geoeye卫星数据验证本文所提方法的有效性,实验结果表明,与PCA、AWLP、PN-TSSC和SVT算法相比较,该文所提方法的融合结果无论在主观视觉还是客观评价指标上均优于对比算法,较好地保持了图像的光谱信息和空间信息.
文摘为解决遥感图像小目标检测中目标特征信息量少、定位困难等难题,提出一种基于特征融合与注意力机制的遥感图像小目标检测算法FFAM-YOLO(Feature Fusion and Attention Mechanism YOLO)。该算法首先针对主干网络特征提取有效信息量少、特征图信息表征能力弱的问题,构造特征增强模块(FEM)以融合较低层级特征图中多重感受野特征,提升算法主干网络的目标特征提取能力;其次,主干网络提取得到高低层级特征图后,建立重构算法的高低层级特征融合结构,利用特征融合模块(FFM)显著增强小目标的特征信息;在增强的有效通道注意力机制(E-ECA)与空间注意力模块(SAM)所组成的级联注意力机制(ESM)作用下,可更精确地捕获小目标特征;最后在输出的两路特征图上进行小目标检测并输出结果。实验结果表明,基于构建的遥感图像小目标数据集USOD(Unicorn Small Object Dataset),所提算法的查准率达到91.9%,查全率达到83.5%,检测框与真实框之间的交并比阈值(IoU)为0.5时的平均精度(AP)为89%,IoU为0.5∶0.95时的AP达到32.6%,检测速率达到120 frame/s,具有一定的鲁棒性和实时性。
