[發(fā)明專利]基于鏈?zhǔn)蕉喑叨热矸e網(wǎng)絡(luò)的顯著性目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710930183.0
• 申請(qǐng)日: 2017-10-09
• 公開（公告）號(hào): CN107784308B
• 公開（公告）日: 2020-04-03
• 發(fā)明（設(shè)計(jì)）人: 鄔向前;卜巍;唐有寶
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06N3/04
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 高媛

1.一種基于鏈?zhǔn)蕉喑叨热矸e網(wǎng)絡(luò)的顯著性目標(biāo)檢測(cè)方法，其特征在于所述方法步驟如下：

一、對(duì)于一張圖片I，先將其調(diào)整成不同尺度的一系列圖片：{I₁，I₂，…，I_m}作為多個(gè)SSFCN的輸入，設(shè)定I_i為2⁽ⁱ⁺⁵⁾×2⁽ⁱ⁺⁵⁾，相對(duì)應(yīng)的設(shè)置SSFCN_i的卷積模塊和反卷積模塊的數(shù)量為n_i＝i+5，i＝1，2，…，m；

二、在卷積模塊，當(dāng)j≤m時(shí)，第j個(gè)卷積層輸出的特征層數(shù)為64×2ⁱ，其余的卷積層輸出為512，對(duì)應(yīng)的反卷積層輸出的特征層數(shù)與卷積層相同，最后一個(gè)反卷積層輸出的特征層數(shù)為1；

三、將不同尺度的SSFCN加上下標(biāo)：SSFCN₁，SSFCN₂，…，SSFCN_i，其中SSFCN_i表示輸入圖像為I_i＝2⁽ⁱ⁺⁵⁾×2⁽ⁱ⁺⁵⁾的SSFCN，它們對(duì)應(yīng)的輸入為X＝{I₁，I₂，…，I_m}，輸出為Y＝{M₁，M₂，…，M_m}，傳到下一個(gè)SSFCN網(wǎng)絡(luò)的狀態(tài)S＝{S₁，S₂，…，S_m}，其中S_i＝(F_i，M_i)，包括SSFCN_i網(wǎng)絡(luò)的輸出F_i和最后一個(gè)反卷積層的輸出M_i；

四、對(duì)于第一個(gè)SSFCN₁：S₁＝SSFCN₁(I₁)，其余的SSFCN_i：S_i＝SSFCN_i(I_i，S_i-1)，其中，S_i-1的連接方式如下：

(1)使用連續(xù)多個(gè)卷積層模塊進(jìn)行深度特征提取，SSFCN_i的卷積模塊數(shù)量為n_i＝i+5，每一個(gè)卷積層模塊在MAX_POOLING層后用卷積核為4×4、步長(zhǎng)為2的卷積網(wǎng)絡(luò)層代替卷積核為3×3、步長(zhǎng)為1的卷積層；

(2)在最后一個(gè)卷積層模塊后加入與卷積模塊相應(yīng)數(shù)量的卷積核為4×4、步長(zhǎng)為2的反卷積模塊用于逐步細(xì)化并放大連續(xù)卷積模塊后的結(jié)果，直到得到與輸入圖像相同大小的結(jié)果為止；

(3)在每一個(gè)反卷積模塊之前用跨層連接的方法將相應(yīng)的卷積模塊得到的特征和上一個(gè)反卷積模塊的結(jié)果整合作為反卷積模塊的輸入；

(4)當(dāng)i≥2時(shí)，S_i-1＝(F_i-1，M_i-1)，包括SSFCN_i-1網(wǎng)絡(luò)的輸出F_i-1和最后一個(gè)反卷積層的輸出M_i-1作為SSFCN_i的輸入，分別與輸入圖像I_i、SSFCN_i最后一個(gè)反卷積層結(jié)果整合；

五、當(dāng)i≥2時(shí)，將SSFCN_i-1最后一個(gè)反卷積層的輸出M_i-1的大小調(diào)整到I_i的大小與I_i一起作為SSFCN_i的輸入，將SSFCN_i-1的輸出F_i-1的大小調(diào)整到I_i的大小和SSFCN_i-1的輸出F_i-1進(jìn)行融合；

六、將所有SSFCN的結(jié)果調(diào)整到與輸入圖像I相同大小，用一個(gè)簡(jiǎn)單的卷積網(wǎng)絡(luò)整合得到最終的顯著性圖像。

2.根據(jù)權(quán)利要求1所述的基于鏈?zhǔn)蕉喑叨热矸e網(wǎng)絡(luò)的顯著性目標(biāo)檢測(cè)方法，其特征在于所述m＝4。