[發明專利]一種基于主動學習的顯著性檢測方法

有效

• 申請號: 201910609780.2
• 申請日: 2019-07-08
• 公開（公告）號: CN110443257B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 張立和;閔一璠
• 申請（專利權）人: 大連理工大學
• 主分類號: G06V10/46
• 分類號: G06V10/46;G06V10/774;G06V10/764;G06V10/26;G06K9/62
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

本發明屬于人工智能技術領域，提供了一種基于主動學習的顯著性檢測方法，主動學習的思路運用到了顯著性檢測領域，通過考慮樣本的不確定性與多樣性從未標記樣本集中選擇出最利于模型訓練的樣本加入訓練集，訓練得到最終的KSR模型，由該模型輸出測試樣本的初始顯著圖。之后，為了優化顯著圖的目標邊界，又設計了一種超像素級的后處理方法進一步提升性能。本發明降低了標注成本，同時減少了訓練集的冗余，使得實驗效果相較于原始KSR模型有了很大提升。同時通過對比實驗表明本發明方法的性能優于許多經典算法。

技術領域

本發明屬于人工智能技術領域，涉及到計算機視覺，特別涉及到一種圖像顯著性檢測方法。

背景技術

當今社會的經濟和科技水平迅速發展，各種各樣不同的碎片化信息時時刻刻的被人類所接收，而圖像和視頻信息又是這些信息中最多、最重要的。如何快速有效的處理圖像數據成為人們需要解決的一個難題。通常，人們只關注圖像中最吸引人眼注意區域，即前景區域或顯著目標，同時忽略背景區域。因此，人們利用計算機模擬人類視覺系統進行顯著性檢測。目前，顯著性的研究可以廣泛應用到計算機視覺的各個領域，包括圖像檢索、圖像分類、目標識別以及圖像分割等。

顯著性檢測的目標是精準的從圖像中將顯著目標檢測出來。基于監督學習的顯著性檢測算法普遍存在一個問題，即模型訓練過程通常需要大量的人工標記數據，標記顯著區域需要花費大量的資源，而且許多訓練樣本中存在冗余信息，這些冗余信息反而會對模型精度造成負面影響。

發明內容

本發明要解決的技術問題是：彌補上述現有方法的不足，提出一種基于主動學習的圖像顯著性檢測方法，實現使用較少的訓練樣本獲得更高模型精度的目的。

本發明的技術方案：

一種基于主動學習的顯著性檢測方法，步驟如下：

(1)首先，從MSRA數據庫中隨機選取500張圖像加入訓練集L中作為初始訓練集，分別生成所有圖像的區域候選分割(Proposals)，并提取所有區域候選分割的區域CNN特征；

(2)定義區域候選分割的正負樣本，設計一個自信值(confidence score)去衡量樣本相對于真值圖前景和背景的打分，自信值為：該分數提前計算兩個分值A和C，A是準確度分數，C是覆蓋度分數，其中而其中O_i代表第i個樣本的目標候選分割，G代表該圖像的真值圖；其中，ξ是用來平衡準確度分數和覆蓋度分數的權重；在本方法中，設定自信值高于0.9的樣本被認為是正樣本，自信值小于0.6的樣本被確定為負樣本；因為在計算自信值時發現正樣本的個數遠遠小于負樣本的個數，所以使用所有的正樣本，隨機選擇與正樣本數量相同的負樣本；為進行排序支持向量機訓練，將所有正負樣本組成正負樣本對，定義正樣本減負樣本為正樣本對，反之為負樣本對；

利用公式：進行排序支持向量機和子空間學習聯合訓練，訓練得到一個排序器KSR，該排序器對樣本的區域候選分割進行顯著性排序，排名靠前的與前景相似度大；其中w是排序支持向量機的排序系數；式中是邏輯損失函數，a是損失函數參數，e為指數函數；φ(x_i)代表樣本的特征x_i通過核映射后的特征；p是樣本對x_in和x_jn的約束數目；(in,jn)表明樣本對是第n對約束的下標；y_n∈{+1,-1}表示樣本是屬于同一類還是不同類，或者說是否同時屬于前景或背景；L∈R^l×d(l＜d)是學習到的映射矩陣，l是初始特征維數，d是映射后的特征維度，μ和λ則代表正則化參數；