[發(fā)明專利]一種基于邊緣引導(dǎo)網(wǎng)絡(luò)的偽裝物體檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210193274.1
• 申請(qǐng)日: 2022-02-28
• 公開（公告）號(hào): CN114581703A
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計(jì)）人: 王碩;范登平;孫羽佳;陳程立詔;向天燭;張江
• 申請(qǐng)（專利權(quán)）人: 北京師范大學(xué);集智學(xué)園（北京）科技有限公司
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/80;G06V10/82;G06V10/44;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了基于邊緣引導(dǎo)網(wǎng)絡(luò)的偽裝物體檢測(cè)方法，屬于圖像處理技術(shù)領(lǐng)域。大多數(shù)現(xiàn)有的深度學(xué)習(xí)方法往往無法準(zhǔn)確地識(shí)別出偽裝物體的完整且精細(xì)的結(jié)構(gòu)。本發(fā)明創(chuàng)造性地提出了一種基于邊緣引導(dǎo)網(wǎng)絡(luò)的方法，其中邊緣引導(dǎo)網(wǎng)絡(luò)包括骨干模塊、邊緣感知模塊、邊緣引導(dǎo)特征模塊、上下文聚合模塊，增強(qiáng)了物體相關(guān)邊緣語(yǔ)義信息的表征學(xué)習(xí)能力，輸出完整且精細(xì)的偽裝物體的掩模圖與輪廓圖。本發(fā)明在3個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，4個(gè)評(píng)價(jià)指標(biāo)均表明本發(fā)明超越當(dāng)前所有最先進(jìn)的偽裝物體檢測(cè)方法。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及到一種基于邊緣引導(dǎo)網(wǎng)絡(luò)的偽裝物體檢測(cè)方法。

背景技術(shù)

當(dāng)前景主體（相對(duì)凸出）試圖“埋伏”在背景中來欺騙觀察者視覺時(shí)，偽裝場(chǎng)景即成立。在偽裝場(chǎng)景中識(shí)別并分割偽裝物體（前景主體），即偽裝物體檢測(cè)。由于偽裝場(chǎng)景的普遍存在，偽裝物體檢測(cè)具有豐富的下游任務(wù)和應(yīng)用場(chǎng)景，例如，醫(yī)療圖像分割、工業(yè)缺陷檢測(cè)、蝗蟲入侵檢測(cè)、創(chuàng)意圖像合成等，引發(fā)了計(jì)算機(jī)視覺社區(qū)的廣泛關(guān)注和研究興趣。

早期的偽裝物體檢測(cè)方法依賴于顏色、紋理、動(dòng)量和梯度等傳統(tǒng)視覺特征，如果只提取使用一種視覺特征很難達(dá)到滿意的效果，所以一些方法嘗試使用上述視覺特征的組合來增強(qiáng)效果。然而，由于手工提取特征的局限性，這些方法往往在較為復(fù)雜的場(chǎng)景或真實(shí)應(yīng)用中失效。

隨著深度學(xué)習(xí)技術(shù)的興起，基于卷積神經(jīng)網(wǎng)絡(luò)的方法從大量訓(xùn)練圖像中自動(dòng)學(xué)習(xí)到的深度特征比傳統(tǒng)特征更全面、更通用、更有效。這些檢測(cè)方法大致可分為三類：一類是仿生方法，它模仿自然界中捕食者的行為過程或人類視覺心理模式來設(shè)計(jì)網(wǎng)絡(luò)；一類是設(shè)計(jì)有針對(duì)性的網(wǎng)絡(luò)模塊/架構(gòu)，以有效探索可用于判別的偽裝對(duì)象特征；一類是將一些輔助任務(wù)納入聯(lián)合學(xué)習(xí)/多任務(wù)學(xué)習(xí)框架，如分類任務(wù)、邊緣提取、顯著目標(biāo)檢測(cè)和偽裝目標(biāo)排序，這類方法可以從共享特征中挖掘出有價(jià)值的額外線索，從而顯著增強(qiáng)偽裝物體檢測(cè)的特征表示。

在聯(lián)合學(xué)習(xí)/多任務(wù)學(xué)習(xí)框架中，現(xiàn)有的采用邊緣提取作為輔助任務(wù)的檢測(cè)方法是一個(gè)基于圖神經(jīng)網(wǎng)絡(luò)的交互圖學(xué)習(xí)模型。這不可避免地增加了模型的復(fù)雜性，占用更多的計(jì)算資源。此外，盡管它引入了邊界線索，但仍然丟失了一些與邊界相關(guān)的細(xì)節(jié)，引入了一些明顯的背景噪聲，從而削弱了檢測(cè)偽裝物體的性能。

發(fā)明內(nèi)容

本發(fā)明的目的是解決現(xiàn)有偽裝物體檢測(cè)方法中，偽裝物體在與環(huán)境高度融合，尤其是邊緣中斷的情況下，只能給出粗糙或不完整的物體邊界的問題。因此，本發(fā)明設(shè)計(jì)了一種基于邊緣引導(dǎo)網(wǎng)絡(luò)的偽裝物體檢測(cè)方法。

邊緣引導(dǎo)網(wǎng)絡(luò)（Boundary-Guided Network，BGNet）由骨干網(wǎng)絡(luò)（BackboneNetwork, BN）、邊緣感知模塊（Edge-Aware Module，EAM）、邊緣引導(dǎo)特征模塊（Edge-guidance Feature Module，EFM）與上下文聚合模塊（Context Aggregation Module，CAM）組成。

本發(fā)明方法包含如下步驟。

第1步，待檢測(cè)圖像的特征提取。利用骨干網(wǎng)絡(luò)BN對(duì)待檢測(cè)圖像進(jìn)行多層級(jí)特征提取，包括蘊(yùn)含局部邊緣細(xì)節(jié)的低層級(jí)特征與蘊(yùn)含全局定位信息的高層級(jí)特征。

第2步，偽裝物體邊緣信息挖掘。利用邊緣感知模塊EAM，在提取的低層級(jí)特征和高層級(jí)特征中挖掘偽裝物體相關(guān)的多層次邊緣語(yǔ)義信息。

第3步，邊緣信息引導(dǎo)特征提取。基于第2步挖掘的偽裝物體的邊緣語(yǔ)義信息，利用邊緣引導(dǎo)特征模塊EFM，提取骨干網(wǎng)絡(luò)的特征，增強(qiáng)模型的邊界特征的表示學(xué)習(xí)能力。

第4步，上下文信息匯聚并得到輸出。利用CAM上下文聚合模塊，聚合多層級(jí)特征與邊緣信息，生成偽裝物體的掩膜圖與輪廓圖。

本發(fā)明的優(yōu)點(diǎn)和有益效果：本發(fā)明通過引入邊緣線索，挖掘物體邊緣語(yǔ)義信息，提升模型相關(guān)表征能力，輸出更加準(zhǔn)確的偽裝物體預(yù)測(cè)。經(jīng)實(shí)驗(yàn)，本發(fā)明在公開的3個(gè)數(shù)據(jù)集采用的4個(gè)評(píng)測(cè)指標(biāo)上，均超越了目前最前沿的偽裝目標(biāo)檢測(cè)方法。