Key points are not available for this paper at this time.
Muitos métodos existentes de aprendizado profundo foram propostos para Detecção de Objetos Salientes (SOD) em imagens naturais, no entanto, eles podem não ser suficientemente compatíveis para imagens de sensoriamento remoto por ignorar alguns conhecimentos de domínio únicos para imagens de sensoriamento remoto. Por exemplo, imagens de satélite podem conter contextos mais complexos do que imagens naturais, e muitos objetos salientes nas imagens de satélite são objetos de pequeno tamanho, mas os métodos de SOD baseados em aprendizado profundo existentes para imagens naturais não têm essas considerações especiais. Neste artigo, propomos uma nova Rede Encoder-Decoder ciente de Transformer (TEDNet) combinando um encoder híbrido de Rede Neural Convolucional-Transformer e um decoder aprimorado por Transformer para aprender as características de contexto complexas dos vizinhos locais por convolução e a dependência de região de longo alcance por Transformer para a tarefa de SOD em imagens de sensoriamento remoto. Além disso, propomos uma nova perda guiada por tamanho em nível de imagem e em nível de pixel para mineração de pequenos objetos salientes para treinar a TEDNet proposta. Resultados experimentais em um conjunto de dados de SOD de sensoriamento remoto publicamente divulgado mostram a eficácia e precisão do método proposto.
Sun et al. (Qui,) estudaram essa questão.