[發(fā)明專利]一種基于邊界增強的顯著性目標檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210467623.4
• 申請日: 2022-04-29
• 公開（公告）號: CN114821059A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設計）人: 田智強;余凌昊;陳張
• 申請（專利權）人: 西安交通大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/46;G06V10/80;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李鵬威

本發(fā)明公開了一種基于邊界增強的顯著性目標檢測方法及系統(tǒng)，以視覺顯著性圖像數(shù)據(jù)為輸入，通過卷積神經(jīng)網(wǎng)絡對顯著性目標區(qū)域進行預測，解決顯著性目標檢測任務中尺度變化和邊界區(qū)域像素模糊的問題,通過使用不同分辨率的特征信息相互進行補充，進一步加強單一分辨率特征的表達能力；使用多尺度特征提取，從固定分辨率特征中提取不同尺度的信息，更好的解決目標尺度變化的問題；使用邊界提取建模顯著性邊界，提取邊界信息后進一步補充顯著性目標特征信息，一定程度上解決邊界像素不清晰的問題，得到最終的顯著性目標預測,使用一種混合損失函數(shù)，從不同層面監(jiān)督模型訓練，以更加均勻高亮的突出顯著性目標區(qū)域。

技術領域

本發(fā)明屬于圖像處理技術領域，具體涉及一種基于邊界增強的顯著性目標檢測方法及系統(tǒng)。

背景技術

顯著目標檢測的研究已有二十多年的歷史。一共有三個非常重要的節(jié)點。顯著性目標檢測第一次發(fā)展浪潮源于1998年Itti的一篇文章，這篇開山之作模仿人類的注意力過程，自底向上利用底層特征來構建顯著圖；第二個節(jié)點是顯著性檢測融入了目標的概念變成了顯著性目標的二值分割問題，更加的符合實際應用；卷積神經(jīng)網(wǎng)絡的橫空出世激起了顯著性目標檢測的第三波熱潮，卷積神經(jīng)網(wǎng)絡擁有極大的特征提取能力，可以獲得更大的感受野，從而更好的檢測到圖像中的顯著區(qū)域，也是現(xiàn)在主流的方法。目前，顯著性檢測領域已經(jīng)產(chǎn)生了很大的理論和應用價值，但它的另一份價值是作為許多其他視覺任務的輔助，例如作為對象識別，圖像編輯和語義分割等任務的預處理。

尺度變化是SOD任務的主要挑戰(zhàn)之一。受下采樣操作的限制，CNN很難處理這個問題。不同級別的特征層僅具有處理特定尺度的能力，不同分辨率的特征中蘊含的目標信息量是不同的。一種方式是在自上而下的路徑中對每一層特征進行橫向輸出，上采樣為統(tǒng)一分辨率后再進行融合，從而獲得包含多尺度信息的輸出，不過這種方法僅在每一層中使用單獨的分辨率特征，不足以應付各種規(guī)模的問題。還有一種簡單的策略是集成不同分辨率的特征層信息，但是這種融合方式容易造成信息冗余和噪聲干擾。針對尺度變化問題的處理方式仍然有著可以進一步優(yōu)化的空間。

特征提取過程中也會不斷損失細節(jié)信息，像素級別的顯著性方法得到的顯著性目標的邊界區(qū)域往往不太令人滿意。為了獲得精細的顯著邊界，除了多尺度特征融合的方法外還有很多創(chuàng)新的方法。一些方法使用遞歸的方式利用低級局部信息來細化高級特征，還有一些方法在顯著性檢測前使用超像素進行預處理提取邊界或者在顯著性預測圖上使用CRF進行后處理來保持對象邊界，這類方法需要額外的處理過程，效率比較低。至于損失函數(shù)的選擇上，顯著性目標檢測常用的訓練損失函數(shù)是二值交叉熵損失，但是二值交叉熵損失在判斷邊界像素時置信度較低，導致邊界非常模糊，同時也無法保證顯著區(qū)域的一致性。在邊界信息提取的網(wǎng)絡結構和損失函數(shù)的設計上有著許多提升的可能性。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于邊界增強的顯著性目標檢測方法及系統(tǒng)，以克服現(xiàn)有技術的不足。

為達到上述目的，本發(fā)明采用如下技術方案：

一種基于邊界增強的顯著性目標檢測方法，包括以下步驟：

S1，從訓練集圖像中提取不同分辨率的抽象特征圖，對抽象特征圖進行多級融合得到多級融合特征圖，對多級融合特征圖進行處理得到包含多尺度信息的特征圖；

S2，將得到的包含多尺度信息的特征圖進行信息轉(zhuǎn)化后進行拼接融合，得到包含邊界信息的特征，同時利用每一級轉(zhuǎn)換后的特征得到一個邊界檢測結果，再進一步拼接融合得到融合的邊界檢測結果；

S3，將包含多尺度信息的特征圖進行多尺度信息提取后與包含邊界信息的特征進行拼接得到顯著性目標檢測結果；

S4，利用顯著目標檢測結果、每一級邊界檢測結果，融合的邊界檢測結果以及對應的訓練集訓練顯著性目標檢測模型直至滿足收斂條件，利用訓練完成的顯著性目標檢測模型進行目標檢測；