编辑推荐：
在光学遥感图像（ORSI）分析中，充分提取利用边缘特征以细化显著区域结构完整性是难题。研究人员开展基于混合边缘融合感知网络（HEFPNet）的显著目标检测研究，在 3 个数据集上性能优于现有方法，为 ORSI-SOD 提供新方案。
在遥感技术蓬勃发展的当下，光学遥感图像（ORSI）凭借高空间分辨率成为地物监测、环境分析等领域的重要数据源。然而，其复杂的场景结构、密集的地物分布以及易受环境干扰的特性，使得显著目标检测（SOD）面临巨大挑战。具体而言，背景杂波、光照变化、噪声干扰导致目标边界模糊、结构不完整，传统基于自然场景图像（NSI）的 SOD 算法难以有效适配 ORSIs 的独特特征，亟需针对性方法提升检测精度与鲁棒性。
为攻克上述难题，安徽高校的研究人员开展了光学遥感图像显著目标检测研究，相关成果发表在《Digital Signal Processing》。该研究提出混合边缘融合感知网络（HEFPNet），通过多模块协同优化，显著提升了目标结构表征与定位精度，为遥感图像智能分析提供了新范式。
研究采用的关键技术方法包括：以 Transformer 架构的 PVTv2-B2 为骨干网络，生成多层级特征表示以捕获全局长距离依赖；设计边缘特征增强融合模块（EFEFM），融合特征图与注意力图的边缘信息以强化目标结构；引入多尺度方向感知模块（MSDPM）提升不同尺寸和方向目标的定位能力；采用可变形扩张卷积解码器（DCD）自适应捕捉关键特征与细节。
实验结果
在 ORSSD、EORSSD、ORSI-4199 三个公开数据集上，HEFPNet 通过对比实验验证了性能优势。利用 Transformer 骨干网络生成的四级特征表示，有效建模了图像全局上下文信息，为目标检测提供了更丰富的语义支持。EFEFM 模块通过融合多源边缘信息，显著提升了目标边界清晰度与结构完整性，尤其在处理遮挡、模糊边界场景时表现突出。MSDPM 模块通过多尺度卷积操作，增强了模型对不同大小、方向目标的感知能力，减少了尺度变化导致的检测偏差。DCD 解码器结合可变形卷积与扩张卷积优势，自适应调整感受野，有效捕捉了复杂场景下的细节特征，进一步提升了检测精度。
结论与讨论
研究提出的 HEFPNet 通过混合边缘融合与多模块协同机制，显著提升了光学遥感图像显著目标检测的准确性与鲁棒性。实验结果表明，该网络在复杂背景、弱对比度、模糊边界等挑战性场景下，能够更精准地定位目标区域并细化边界结构，突破了传统算法对遥感图像独特特征适配不足的瓶颈。其创新点在于整合多源边缘信息、引入 Transformer 全局建模能力以及设计多尺度感知机制，为遥感图像分析领域提供了兼具理论创新性与实际应用价值的解决方案。该研究不仅推动了显著目标检测技术在遥感领域的发展，也为后续结合更多先进架构（如动态卷积、自监督学习）优化遥感智能算法奠定了基础，有望在灾害监测、城市规划、农业评估等实际场景中发挥重要作用。
