[發(fā)明專利]面向云霧遮擋的海面目標(biāo)顯著性檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010319025.3
• 申請(qǐng)日: 2020-04-21
• 公開（公告）號(hào): CN111539314A
• 公開（公告）日: 2020-08-14
• 發(fā)明（設(shè)計(jì)）人: 賀鈺博;劉坤
• 申請(qǐng)（專利權(quán)）人: 上海海事大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海互順專利代理事務(wù)所(普通合伙) 31332
• 代理人: 成秋麗

1.一種面對(duì)海面云霧遮擋情況下的顯著性目標(biāo)檢測(cè)方法，其特征在于包括以下步驟：

步驟一：進(jìn)行數(shù)據(jù)的預(yù)處理，在OUT-OMRON和SOC6K公開數(shù)據(jù)集中選取300張海面圖片用柏林噪聲進(jìn)行人工遮擋，設(shè)置不同的柏林系數(shù)來獲取30、40、50、60、70五個(gè)不同遮擋程度的云霧遮擋圖片，而且將其數(shù)據(jù)集擴(kuò)充至1800張，選取其1500張作為訓(xùn)練集，300張作為測(cè)試集；

步驟二：使Pretrainning+Finetuning的模型訓(xùn)練方法進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練，使用MSRA10K大型公開顯著性目標(biāo)數(shù)據(jù)集作為預(yù)訓(xùn)練數(shù)據(jù)集，進(jìn)行預(yù)訓(xùn)練后，保存其網(wǎng)絡(luò)模型參數(shù)；

步驟三：數(shù)據(jù)預(yù)處理完成后，進(jìn)行神經(jīng)網(wǎng)絡(luò)設(shè)置，對(duì)海面圖像使用殘差網(wǎng)絡(luò)進(jìn)行初步特征處理，并且通過空洞卷積進(jìn)行進(jìn)一步的特征提取；使用金字塔并行結(jié)構(gòu)來有效的學(xué)習(xí)不規(guī)則目標(biāo)的形變，通過將經(jīng)過不同空洞率卷積的特征矩陣進(jìn)行并聯(lián)，并且使用一個(gè)1x1的卷積核進(jìn)行降維；

步驟四：進(jìn)行特征信息降維后，當(dāng)特征映射經(jīng)過optimization層和初始顯著性映射時(shí)，使用注意力機(jī)制策略，該策略機(jī)制為：

S_h＝MAX(f_{min_max}(Conv_g(S_i,k)),S_i)

上述公式表示一個(gè)有著高斯核k和偏置為0的卷積操作，f_{min_max}其中表示一個(gè)歸一化函數(shù)，來讓顯著圖的范圍變?yōu)閇0,1]；而MAX()的操作表示取最大值函數(shù)，這樣可以使趨向于增加平滑后的特征圖S_i中的顯著性區(qū)域權(quán)重系數(shù)，讓特征映射可以直接與海面顯著性圖相乘；

步驟五：特征映射經(jīng)卷積池化后得到14×14×2048的特征圖，去掉其ResNet50的全連接層并連接rate＝2、4的空洞卷積層進(jìn)行級(jí)聯(lián)；

步驟六：使用256個(gè)1×1卷積核步長(zhǎng)為1，得到其特征信息從14×14×2048降維至14×14×256的特征圖；

步驟七：通過使用256個(gè)卷積核為3×3，rate＝6、12、18的空洞卷積操作分別得到3個(gè)14×14×256的特征圖；

步驟八：通過卷積核為256的全局平均池化處理得到14×14×256的特征圖；

步驟九：將步驟六、步驟七、步驟八中的5個(gè)14×14×256的特征圖矩陣進(jìn)行并聯(lián)操作，得到14×14×1280的特征圖，之后通過256個(gè)1×1卷積核，步長(zhǎng)為1，降維至大小14×14×1的二維特征矩陣，經(jīng)歸一化處理后，生成顯著性圖；

步驟十：網(wǎng)絡(luò)設(shè)置完成后，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練采用Adam梯度下降法。Batch_size設(shè)置為2，Train_size設(shè)置為352，訓(xùn)練迭代次數(shù)為100，初始學(xué)習(xí)率設(shè)置為0.0001。學(xué)習(xí)率更新策略使用指數(shù)衰減法；

步驟十一：進(jìn)行反向傳播更新網(wǎng)絡(luò)權(quán)重及偏置，進(jìn)數(shù)據(jù)集的迭代過程，并且計(jì)算遮擋圖像的特征與清晰圖像的特征的差異，將二者之間的差異特征進(jìn)行優(yōu)化處理；

步驟十二：采用導(dǎo)向?yàn)V波函數(shù)用來約束云霧遮擋噪聲特征，其公式為：

定義W_ij為濾波窗口，q_i為二維特征矩陣中的元素，P_j為輸入圖像P_wh的像素，|W|是窗口的像素總數(shù)，μ_k為引導(dǎo)圖在窗口W的平均值，σ²為引導(dǎo)圖在窗口W的方差，g為特征圖G中的元素，計(jì)算特征圖與其真值圖之間的誤差，通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差逐漸變小，直到得到最終的訓(xùn)練模型后，停止訓(xùn)練；

步驟十三：對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型，將測(cè)試樣本作為輸入，得到最終得到顯著性特征矩陣，經(jīng)可視化處理后，即可得到顯著性圖。