光学遥感图像协同显著目标检测的共识探索与细节感知网络研究

针对光学遥感图像(ORSI)中协同显著目标检测(CoSOD)的难题，研究团队构建了首个大规模数据集CoORSI，并提出共识探索与细节感知网络(CEDPNet)。该网络通过协同目标搜索模块(COSM)和特征感知模块(FSM)实现多尺度特征融合，在6项指标上显著超越现有方法，为地表监测和场景理解提供了新工具。

　　

光学遥感图像协同显著目标检测技术正面临重大挑战。随着遥感技术的快速发展，海量图像数据亟待高效分析，但传统方法难以应对ORSI中复杂的场景多样性、目标尺度差异和背景干扰。尤其当需要从多幅相关图像中识别共同显著目标时，现有算法易受同类非显著目标或异类显著目标的干扰，导致检测可靠性不足。这一问题严重制约了遥感技术在国土监测、城市规划等领域的深度应用。

为解决这一瓶颈问题，东北石油大学的研究团队在《Image and Vision Computing》发表了创新性研究。该工作首先构建了包含7668幅标注图像的首个ORSI-CoSOD专用数据集CoORSI，涵盖10类典型地理场景。基于此提出的CEDPNet网络，通过协同对象搜索模块(COSM)实现跨图像特征关联，利用特征感知模块(FSM)进行差异对比增强和多尺度细节强化，最终在6项评价指标上全面超越14种ORSI-SOD方法和7种CoSOD方法。

关键技术方法包括：1) 构建覆盖多种地物类型的CoORSI数据集；2) 设计双向特征处理的CEDPNet框架；3) COSM模块采用像素级和区域级相关性计算；4) FSM模块实施差分对比增强策略；5) 多层语义引导的解码器实现特征融合。

研究结果
数据集构建
CoORSI数据集系统收集了7668幅高分辨率遥感图像，包含飞机、船舶等10类场景，所有图像均经过像素级标注。相比现有ORSSD等单图像检测数据集，该数据集首次提供了多图像协同分析的基准。

网络架构
CEDPNet采用编码器-解码器结构，创新性地将COSM与FSM并联部署。实验表明，这种设计使网络在保持89.2%检测精度的同时，参数量减少18.6%。

模块验证
消融实验证实：COSM通过区域相关性筛选机制，将同类干扰目标的误检率降低23.4%；FSM的多尺度细节增强策略使目标边缘完整性提升17.8%。

性能对比
在E_ξ、S_α等6项指标测试中，CEDPNet平均领先次优方法6.2%。特别在复杂背景场景下，其F_β指标达到0.891，显著优于对比算法。

结论与讨论
该研究突破了ORSI-CoSOD领域缺乏专用数据集和方法的两大瓶颈。CoORSI数据集的建立为后续研究提供了重要基准，而CEDPNet展现的"共识探索+细节感知"双路径机制，为多图像协同分析提供了新范式。值得注意的是，网络在超大尺度差异目标(如同时包含飞机和船舶的场景)检测中仍存在约12.7%的漏检率，作者指出这将是未来改进方向。研究成果不仅推动了遥感图像分析技术的发展，其提出的相关性筛选机制和差分增强策略，也为医学图像多病灶检测等跨领域应用提供了技术参考。