交叉模型嵌套融合网络用于光学遥感图像中的突出物体检测
IEEE transactions on cybernetics
|September 12, 2025
概括
一个新的交叉模型嵌套融合网络 (CMNFNet) 通过结合CNN和GCN功能,改善了光学遥感图像中的突出物体检测. 这种方法有效地处理复杂的场景与多个对象和背景噪音.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 在光学遥感图像 (ORSI-SOD) 中突出物体检测 (SOD) 正在获得研究兴趣.
- 深度学习模型在ORSI-SOD中面临着不同对象尺度,复杂结构和背景干扰的挑战.
研究的目的:
- 引入一个新的跨模型嵌套融合网络 (CMNFNet),以提高ORSI-SOD性能.
- 为了在复杂的遥感图像中提高检测准确度,利用异质特征.
主要方法:
- CMNFNet使用两个异构的编码器:一个CNN用于本地特征,一个GCN用于本地和全球特征.
- GCN编码器将图像投射到两个图形中,它们具有不同的接收场,用于并行图形卷积.
- 一个注意力增强的交叉模型嵌套融合模块 (AECMNFM) 逐渐融合异质特征并减少背景干扰.
主要成果:
- 拟议的CMNFNet有效地利用其双编码器架构模拟本地和全球特征.
- 该AECMNFM自适应地改进特征表示,并减轻背景噪声.
- 实验表明CMNFNet在基准数据集上的表现优于16个最先进的模型.
结论:
- 通过有效地整合各种功能,CMNFNet为ORSI-SOD提供了一种优越的方法.
- 模型处理复杂场景和背景干扰的能力标志着一个显著的进步.
