[發明專利]深度融合邊緣與高層特征的顯著性目標檢測方法及裝置

有效

• 申請號: 202110245337.9
• 申請日: 2021-03-05
• 公開（公告）號: CN112926667B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 唐奇伶;劉子儀;盧玉紅;張美玲;郭金鑫;鄭菲
• 申請（專利權）人: 中南民族大學
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/82;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 孔燦

本發明公開了一種深度融合邊緣與高層特征的顯著性目標檢測方法及裝置，在低層網絡為每個感受野卷積核加入相應的調制核，擴大其信息感知范圍并能保留空間細節信息，通過感受野與非經典感受野的聯合作用，改進低層邊緣特征的表達能力；構建高層引導的交互注意力網絡，在高層信息的引導下使注意力聚焦在重點關注的目標區域，濾除來自背景的干擾，利用交互注意力作用，進一步優化區域邊界；通過交互注意力、自注意力和層疊方式對特征進行深度融合與全局關聯，在信息相互作用過程中實現特征篩選、特征互補和全局特征理解。本發明為復雜場景中顯著性目標檢測建立一個通用有效的計算模型，提高顯著性對象的邊界精確性、定位準確性和結構完整性。

技術領域

本發明涉及圖像處理、模式識別技術領域，具體涉及一種深度融合邊緣與高層特征的顯著性目標檢測方法及裝置。

背景技術

人類視覺系統具有選擇性的注意能力，可以從復雜的場景中快速發現重要的目標。顯著性目標檢測是鑒于人類視覺凝視點預測建立一種感興趣區域檢測模型，其廣泛應用于圖像檢索、圖像理解、語義分割、目標跟蹤等視覺任務。顯著性檢測面臨兩個主要的挑戰：1)目標邊界的精確性。邊界包含于顯著圖，但由于邊界位于特征突變的地方，導致邊界與區域內部產生的響應有所差異；尤其是低對比度環境，邊界往往比較模糊；2)檢測對象的完整性。顯著性對象主體成分容易從背景中突出，但一些與主體長程關聯的小部件或細微結構容易被缺失。

傳統卷積操作的感受野大小有限，只能捕獲局部信息，盡管可以通過堆疊相當數量的卷積層和和池化層來增大感受野，但是網絡低層的感受野仍然很小，而低層正是獲取邊緣信息的重要特征表達層，生成的特征包含了大量無實際意義的紋理成分或者一些弱響應的重要結構不能突出。雖然網絡深層增大了感受野能獲得語義性更強的信息，但是丟失了細節性的空間信息，而這些空間信息對于像素精細分類來說是尤為重要。

為了融合不同層次的特征，通常采用層疊的方式將低層的空間細節與高層語義信息組合在一起，然而這種結合方式忽略了不同特征之間的差異，存在語義上的鴻溝，難以有效地融合這些特征，處理復雜場景中的目標時，由于高、低級特征簡單的串聯方式對于不同特征的語義鴻溝處理不當，會造成誤檢出背景中的物體、物體邊緣粗糙以及細節丟失等后果。

發明內容

本發明提出了一種深度融合邊緣與高層特征的顯著性目標檢測方法及裝置，旨在解決高、低級特征簡單的串聯方式對于不同特征的語義鴻溝處理不當，造成復雜場景中顯著性目標檢測精度不高的技術問題。

為了實現上述目的，本發明提供了一種深度融合邊緣與高層特征的顯著性目標檢測方法，所述顯著性目標檢測方法包括以下步驟：

獲取圖像訓練數據集；

基于VGG-16神經網絡構建初始顯著性檢測網絡；

基于所述圖像訓練數據集通過反向傳播算法有監督的最小化所述初始顯著性檢測網絡的目標函數，得到優化后的顯著性檢測網絡；

將待識別圖像輸入所述優化后的顯著性檢測網絡，輸出所述待識別圖像的顯著性目標檢測結果。

優選地，所述基于所述圖像訓練數據集通過反向傳播算法有監督的最小化所述初始顯著性檢測網絡的目標函數，得到優化后的顯著性檢測網絡的步驟，具體包括：

所述初始顯著性檢測網絡包括兩個低層網絡和三個高層網絡；

在兩個所述低層網絡建立非經典感受野調制神經網絡；

初始化所述非經典感受野調制神經網絡中的感受野層的參數，定義所述非經典感受野調制神經網絡的目標函數；

根據所述目標函數，基于所述圖像訓練數據集訓練所述非經典感受野調制神經網絡有監督的學習所述圖像訓練數據集中圖像的邊緣特征；