[发明专利]一种基于卷积神经网络的显著性融合检测方法

权利要求书

1.一种基于卷积神经网络的显著性融合检测方法，包括下列步骤：

步骤1：显著性检测算法的选择

(1)首先选取一些已有的显著性检测算法，将其作为候选的融合方法，对于这已有的显著性检测算法，设定阈值为5，采用下列度量公式进行初步选择：

V＝g(t)+γF,

其中，t是运行时间，F是已有的显著性检测算法获得的显著图的F-measure评估值，λ＝4，δ＝2,γ＝5是选定的参数；将V值低于阈值的显著性检测算法从候选名单中剔除；

(2)对于(1)中度量公式所选出的方法，首先将其中的两种方法组成一组，使用加权求和的方法得到融合后的显著图，并且测量F-measure值，如果此次融合后的F-measure值要比被融合的两个显著图的F-measure值高，则加入第三个方法的显著图并判断融合后的显著图的F-measure值是否高于上一次融合后的显著图的F-measure值，并以此方法继续加入其它方法的显著图，直到F-measure值不再增加为止；经过步骤1中(1)和(2)，选出有利于网络训练的两种显著性检测算法；

步骤2：数据准备

选定网络训练所需的数据集，并用步骤1选定的两种显著性检测算法生成显著图，将RGB图像和显著图做为训练集，并且用裁剪和水平翻转方式对训练集进行数据增强；

步骤3：训练显著性检测深度卷积网络

显著性融合检测的网络架构基于改进VGG-16模型，利用步骤2的准备的数据，将RGB图像和其相对应的步骤1中选择的两种显著性检测算法生成的显著图作为网络模型的输入，通过改进VGG-16模型进行特征提取，改进之处在于：为了得到显著图，在15个卷积层输出后接4个上采样层，并且前3个上采样层的输出分别与conv4，conv3，conv2的输出结果做相加求和后再进行上采样以提升效果，网络直接输出为一个显著图。