本文提出了一种新的无监督显着性合成Kong径雷达（SAR）图像变化检测方法。 图像的显着区域始终是有区别的，并且与其他区域不同，这使得它们很容易被注意到。 局部区域的强烈视觉对比度使显着性适合于指导SAR图像的变化检测，这两个图像之间存在差异。 通过将显着性提取应用于通过对数比运算符获得的初始差异图，可以得到显着性图，其中包括了大多数变化区域，并且同时很好地忽略了由斑点噪声引起的伪变化像素。 然后，通过对显着性图进行阈值处理，可以保留大多数兴趣区域，并进一步将其用于从初始SAR图像中提取区域以生成差异图像。 主成分分析（PCA）方法用于从局部补丁中提取特征，以合并空间信息并减少孤立像素的影响。 最后，采用k均值聚类来获得所提取特征的变化图，将其聚类为两类：变化区域和不变区域。 在五个真实和两个模拟SAR图像数据集上的实验结果证明了该方法的有效性。

在PyTorch中实施SmoothGrad SmoothGrad的PyTorch实现。 香草渐变 平滑渐变 引导反向传播 引导式SmoothGrad 以及诸如以下的其他技术被实现。 下载 git clone https://github.com/pkdn/pytorch-smoothgrad 用法 使用VanillaGrad ， GuidedBackpropGrad ， SmoothGrad和GuidedBackpropSmoothGrad保存显着性贴图。 python saliency.py --img 保存Grad-CAM图像。 python grad_cam.py --img 如果未指定图像路径，请读取浣熊的数据（ ）。 要求 火炬 火炬视觉 麻木 科学的 OpenCV 测试了Python 3.5.2下的环境。 致谢 该

图像显著性检测，用Saliency算法获得能量图，显示图片的显著性区域 同时显示HSL通道的显著图