[發明專利]基于高效多尺度上下文探索網絡的顯著性目標檢測算法

在審

• 申請號: 202210279696.0
• 申請日: 2022-03-21
• 公開（公告）號: CN114612684A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 夏晨星;孫延光;高修菊;李續兵;趙文俊
• 申請（專利權）人: 安徽理工大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/46;G06V10/80;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于計算機視覺領域，提供了一種基于高效多尺度上下文探索網絡的顯著性目標檢測算法，包括以下步驟：1)利用預訓練好的ResNet?50網絡從RGB圖像中提取初始多層次特征；2)基于漸進式多尺度上下文提取模塊，高效捕獲多尺度多感受野上下文信息來增加初始多層次特征中的顯著性信息；3)將優化的多層次特征嵌入層次化特征混合交互模塊，通過高效交互不同層次特征生成高質量特征表示；4)將高質量特征表示進行一系列的降維激活生成初始顯著性圖。通過大量的實驗數據對比，充分證明了此發明的高效性。

技術領域：

本發明涉及圖像處理和計算機視覺領域，具體來說，涉及了基于高效多尺度上下文探索網絡的顯著性目標檢測算法。

背景技術：

本部分的陳述僅僅是涉及到了與本發明相關的背景技術，并不必然構成現有技術。

顯著目標檢測(SOD)旨在檢測圖像中最具吸引力的對象或區域,作為一個預處理階段使其作為一個預處理階段廣泛使用在許多計算機視覺任務作為一個預處理階段,如圖像檢索,圖像分割,視頻壓縮等。

早期的顯著性目標檢測(SOD)方法主要使用手工特征和啟發式先驗預測顯著目標。由于不能利用高級語義信息，無法有效定位復雜背景的顯著目標。近來，卷積神經網絡(CNNs)和全卷積神經網絡(FCNs)成功的打破了傳統顯著性目標檢測方法只能夠利用手工特征和底層視覺先驗特征的限制，其出色地提取高層次語義特征的能力，使得基于深度學習的方法開始廣泛地應用于顯著性目標檢測領域。

最近，許多基于全卷積神經網絡(FCN)的顯著性目標檢測方法被設計，其主要通過聚集多層次特征或集成各種上下文來檢測和分割顯著對象。具體來說，胡等人在HED結構中引入了短連接，用于傳播來自多層次特征的信息，以預測顯著性圖，張等人在Amulet網絡中直接將多層次特征集成到多分辨率中，通過學習這些不同分辨率的聚集特征，以遞歸方式檢測顯著對象。初始的多層次特征不僅包含重要信息，還包含許多噪聲信息，因此，直接聚合生成的顯著性圖的性能無法達到令人滿意的結果。后來，張等人在BDMPM網絡中提出了一種多尺度上下文感知特征提取模塊，以獲取豐富的上下文信息，用于多層次特征定位顯著對象。在CPD網絡中，吳等人受RFB模塊的啟發，設計了一個上下文模塊，用于捕獲全局對比度信息以預測顯著性圖。類似的李等人在SUCA網絡中提出了一種并行擴張卷積(PDC)模塊來提取上下文感知的多尺度多感受野特征，以提高初始多層次特征定位顯著對象的能力。此外，龐等人在MINet網絡中設計了一種自交互模塊(SIM)，以從集成特征中獲得更多多尺度特征，從而用可變尺度分割顯著對象。雖然上述方法考慮了上下文信息重要性，但它們致力于通過直接聚集多個獨立的上下文感知信息來獲得顯著的對象信息，而很少考慮多尺度和多接收字段上下文信息的相關性，它不利于復雜背景下復雜結構的顯著目標的有效檢測和分割。

發明內容

為了緩解上述問題，在本文中，我們提出了一種新的用于顯著目標檢測的高效多尺度上下文探索網絡，名為EMCENet。具體來說，EMCENet方法由兩個模塊組成，即漸進式多尺度上下文提取(PMCE)模塊和層次化特征混合交互(HFHI)模塊，前者旨在以漸進的方式高效地捕獲和利用多尺度上下文感知信息，以提高初始多層次特征的性能，后者的目標是自適應地、高效地融合多層次特征，生成高質量的特征表示，以便準確地預測和分割顯著對象。大量的實驗結果表明，在六個公共顯著性檢測基準數據集上，所提出的EMCENet方法在不同的評價指標上與現有的13種SOD方法相比具有很大的優勢。

本發明的技術方案是提供了一種集成多源特征網絡的顯著性目標檢測算法，該方法包括以下步驟：

1.輸入RGB圖像，將預訓練好的ResNet50網絡作為主干網絡用于提取初始多層次特征；

1.1)收集并整理顯著性檢測領域相關數據集，包含SOD數據局，ECSSD數據集，PASCAL-S數據集，DUT-OMRON數據集，HKU-IS數據集和DUST數據集。