[發明專利]基于集中式信息交互的顯著性目標檢測方法及系統

有效

• 申請號: 202011490199.2
• 申請日: 2020-12-16
• 公開（公告）號: CN112507933B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 程明明;劉姜江;劉志昂
• 申請（專利權）人: 南開大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/40;G06V10/80;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.基于集中式信息交互的顯著性目標檢測方法，包括：

獲取待檢測圖像；

將待檢測圖像，輸入訓練后的顯著性目標檢測神經網絡，得到待檢測圖像中的顯著性目標，

其特征是，所述顯著性目標檢測神經網絡，網絡結構包括：

依次連接的自底向上網絡、相對全局模塊和自頂向下網絡；

所述相對全局模塊，包括：并列的第一分支和第二分支；

所述第一分支，

包括依次連接的第一卷積層和第二卷積層；

所述第二分支，包括依次連接的第三卷積層、第四卷積層、全局最大池化層和Sigmoid函數層；

所述第一卷積層的輸入端、第二卷積層的輸出端和Sigmoid函數層的輸出端均與乘積單元的輸入端連接；

乘積單元的輸出端與第五卷積層的輸入端連接，第五卷積層的輸出端與第六卷積層的輸入端連接，乘積單元的輸出端和第六卷積層的輸出端的數據合并后從相對全局模塊的輸出端輸出；

所述相對全局模塊的第一卷積層的輸入端分別均與第一階段結構、第二階段結構、第三階段結構、第四階段結構和第五階段結構的輸出端連接；

所述相對全局模塊的第三卷積層的輸入端分別均與第一階段結構、第二階段結構、第三階段結構、第四階段結構和第五階段結構的輸出端連接。

2.如權利要求1所述的基于集中式信息交互的顯著性目標檢測方法，其特征是，自底向上網絡，包括：依次連接的第一階段結構、第二階段結構、第三階段結構、第四階段結構、第五階段結構和第一最大池化層；

所述第一階段結構為RestNet18模型的最大池化層之前的網絡結構，不包含最大池化層；

所述第二階段結構為兩個彼此連接的第二最大池化層、第一基礎塊和第二基礎塊；

所述第三階段結構為兩個彼此連接的第三基礎塊和第四基礎塊；

所述第四階段結構為兩個彼此連接的第五基礎塊和第六基礎塊；

所述第五階段結構為兩個彼此連接的第七基礎塊和第八基礎塊；

其中，第一基礎塊與第一階段結構連接，所述第二基礎塊與第三基礎塊連接，所述第四基礎塊與第五基礎塊連接，所述第六基礎塊與第七基礎塊連接，所述第八基礎塊與第一最大池化層連接；

其中，第一階段結構的輸出端、第二階段結構的輸出端、第三階段結構的輸出端、第四階段結構的輸出端和第五階段結構的輸出端均與相對全局模塊的輸入端連接。

3.如權利要求1所述的基于集中式信息交互的顯著性目標檢測方法，其特征是，所述自頂向下網絡，包括：依次連接的第A階段結構、第B階段結構、第C階段結構、第D階段結構和第E階段結構；

所述相對全局模塊的輸出端分別與第A階段結構、第B階段結構、第C階段結構、第D階段結構和第E階段結構的輸入端連接；

所述第A階段結構、第B階段結構、第C階段結構、第D階段結構和第E階段結構的內部結構是一樣的；

所述第A階段結構的內部結構包括：依次連接的第七卷積層、上采樣層、第八卷積層、求和單元和第九卷積層；其中第七卷積層的輸入端作為第A階段的輸入端；第九卷積層的輸出端作為第A階段結構的輸出端；求和單元的輸入端除了與第八卷積層的輸出端連接，還與相對全局模塊的輸出端連接。

4.如權利要求1所述的基于集中式信息交互的顯著性目標檢測方法，其特征是，所述顯著性目標檢測網絡，訓練步驟包括：

構建訓練集，所述訓練集為已知顯著性目標的圖像；

構建顯著性目標檢測網絡；

將訓練集輸入到構建的顯著性目標檢測網絡中，對顯著性目標檢測網絡進行訓練，當顯著性目標檢測網絡的損失函數達到最小值時，停止訓練，得到訓練好的顯著性目標檢測網絡。

5.如權利要求1所述的基于集中式信息交互的顯著性目標檢測方法，其特征是，所述顯著性目標檢測網絡，工作原理包括：

自底向上網絡對待檢測圖像進行特征提取，每個階段結構負責提取一個圖像特征，最后一個階段結構連接的最大池化層也提取出一個圖像特征，共得到六個圖像特征；

將每個圖像特征均輸入到相對全局模塊，相對全局模塊對每個特征及其相鄰特征進行處理，得到六個中間特征；

將六個中間特征均對應輸入到自頂向下網絡每一層中進行處理，自頂向下網絡對六個中間特征進行兩兩融合，得到最終顯著性目標。