[發明專利]基于漸進收縮和循環交互網絡的顯著性目標檢測算法

在審

• 申請號: 202210413768.6
• 申請日: 2022-04-19
• 公開（公告）號: CN114863208A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 夏晨星;孫延光;高修菊;段松松
• 申請（專利權）人: 安徽理工大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06V10/80;G06V10/77;G06V10/46;G06V10/44;G06V10/42;G06N3/04;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于漸進收縮和循環交互網絡的顯著性目標檢測算法，其特征在于，該方法包括以下步驟：

1)輸入RGB圖像，利用預訓練好的ResNet-50網絡作為主干網絡提取初始多層次特征；

2)基于多尺度上下文注意力模塊，利用多個輕量級的卷積操作和通道注意力權重矩陣來捕獲局部和全局上下文注意力特征，用于強化初始多層次特征的性能。

3)基于相鄰特征收縮與交互模塊，利用相鄰特征收縮策略和循環交互策略來逐漸減少多層次特征的數量和補全多層次特征的信息進而生成高質量特征表示；

4)基于高質量特征表示，利用降維和激活操作來生成初始顯著性圖，并利用混合損失函數進行監督訓練。

2.根據權利要求1所述的基于漸進收縮和循環交互網絡的顯著性目標檢測算法，其特征在于：所述步驟1)具體方法是：

2.1)收集顯著性目標檢測領域相關數據集，包括DUTS數據集，DUT-OMRON數據集，HKU-IS數據集，PASCAL-S數據集和ECSSD數據集。

2.2)此發明，利用具有10553張圖像的DUTS數據集作為訓練數據集，用于訓練模型；利用DUTS-TE，DUT-OMRON，HKU-IS，PASCAL-S和ECSSD數據集作為測試數據集，用于檢測模型泛化性能。

2.3)輸入DUTS數據集，利用預訓練好的ResNet-50網絡提取五個初始多層次特征，并對特征進行編碼U＝{U₁,U₂,U₃,U₄,U₅}。

3.根據權利要求1所述的基于漸進收縮和循環交互網絡的顯著性目標檢測算法，其特征在于：所述步驟2)具體方法是：

3.1)首先，我們在每個多層次特征U上使用了一個1×1卷積核的卷積層、一個批處理規范化(BN)和一個ReLU激活函數來進行降維，使得每個特征的通道數為128。

3.2)隨后，我們采用多個不同擴張率(即0,2,4,6)的擴張深度可分離卷積來捕獲多感受野的上下文信息M_i，引入了側連接來強化不同尺度的上下文信息具有相關性。相關公式如下所示：

這里，表示分支第i分支的深度可分離卷積運算，γ表示降維運算，其中包含一個包含1×1×128卷積核的卷積層、一個批處理歸一化(BN)和一個ReLU激活函數。

3.3)之后，我們試圖利用捕捉到的多尺度上下文信息，學習不同的注意里矩陣，以選擇更有用的信息。即，

其中，σ表示sigmoid激活函數，F₁和F₂是兩個全連接層，τ表示ReLU激活函數，GAP表示全局平均池操作。通過注意權重矩陣可以有效地增強多尺度上下文特征中不同通道的顯著性目標信息。其數學公式如下：

這里，表示第i個分支的和*是元素級乘法運算。

3.4)最后，不同尺度下的上下文注意力特征信息通過一個單一的特征拼接操作進行聚合，此外我們還并引入剩余連接來生成具有豐富顯著性信息的特征O＝{O₁，O₂，O₃，O₄，O₅}，即，

這里，γ表示降維操作，Cat表示特征拼接操作，+表示元素相加。