[发明专利]一种基于多尺度卷积特征提取和融合的显著物体检测方法

说明书

本发明涉及一种基于多尺度卷积特征提取和融合的显著物体检测方法，首先进行数据增强，同时对彩色图像以及对应的人工标注图进行处理，增加训练数据集的数据量；接着提取多尺度特征，并进行通道压缩来优化网络的计算效率；然后融合多尺度的特征，得到预测的显著图；最后通过求解最小化交叉熵损失，学习到模型的最优参数；最终利用训练好的模型网络来预测图像中的显著物体。本发明能显著提高显著物体检测精度。

技术领域

本发明涉及图像处理以及计算机视觉领域，特别是一种基于多尺度卷积特征提取和融合的显著物体检测方法。

背景技术

如何在全卷积网络中融合多种尺度卷积特征是显著物体检测领域的一个开放性问题。从这个问题出发，大多数已有的基于全卷积神经网络的显著物体检测方法一般通过添加网络分支使不同尺度的卷积特征能够经由分支进行融合，从而产生对于显著物体检测任务更有益的特征。2015年之后提出的显著物体检测算法，大多数都致力于应用全卷积神经网络(FCNN)来提升网络的计算效率以及显著物体检测的精度。

这些工作可以分为两类，首先是全卷积网络结构的创新，Li等人在预先训练的VGG-16网络上得到不同尺度的特征后，每个尺度的特征经过卷积计算得到新的特征结果，再通过上采样操作将这些特征恢复到统一大小，最后经过卷积操作得到显著检测结果，并且融合了一个超像素尺度的分支从空间尺度上优化了最后的显著物体检测的结果。Wang等人提出的显著物体网络是编码器-解码器形式的全卷积神经网络，同时还加入循环神经网络结构来不断迭代优化显著物体检测结果。Cheng等人在全卷积网络中加入了短连接结构(short connection structure)，由于短连接结构中每一个输出分支都融合了高级语义信息以及低级的纹理、形状等特征，算法的性能得到显著提高同时还保持模型简洁且高效。

然而，大多数方法是利用分类任务上预先训练好的特征网络来融合网络中相应不同尺度的卷积特征，而这些特征的尺度一般都是有限且固定的。

发明内容

有鉴于此，本发明的目的是提出一种基于多尺度卷积特征提取和融合的显著物体检测方法，能显著提高显著物体检测精度。

本发明采用以下方案实现：一种基于多尺度卷积特征提取和融合的显著物体检测方法，具体包括以下步骤：

步骤S1：进行数据增强，同时对彩色图像以及对应的人工标注图进行处理，增加训练数据集的数据量；

步骤S2：提取多尺度特征，并进行通道压缩来优化网络的计算效率；

步骤S3：融合多尺度的特征，得到预测的显著图Predⁱ；

步骤S4：通过求解最小化交叉熵损失，学习到模型的最优参数；最终利用训练好的模型网络来预测图像中的显著物体。

进一步地，步骤S1具体包括以下步骤：

步骤S11：对数据集中的每一张彩色图像和其对应的人工标注图一同进行缩放，使计算设备能够承担神经网络的计算量；

步骤S12：对数据集中的每一张彩色图像和其对应的人工标注图一同进行随机裁剪操作，用以增加数据的多样性；

步骤S13：通过图像水平翻转生成镜像图，来扩大原有数据集的数据量。

进一步地，步骤S2具体包括以下步骤：