[发明专利]图像显著性物体检测方法、装置、设备及介质

说明书

本发明提供一种图像显著性物体检测方法，包括：获取图像数据，对图像数据进行特征提取，输出多个尺寸的原始特征图；针对于每个原始特征图，对原始特征图的尺寸进行压缩，并对压缩尺寸后的特征图进行映射，获得原始特征图中的全局信息；针对于每个原始特征图，对原始特征图进行卷积及批标准化处理，获得原始特征图中的局部信息；对获取的全局信息及局部信息进行整合，获得多个信息整合特征图；将多个信息整合特征图进行拼接，获得拼接特征图，根据拼接特征图，获得检测结果。该方法提高了对目标整体的检测准确率；有效地整合全局和局部信息以利用低级视觉特征，提高了目标边缘分割的效果。本发明还提供一种图像显著性物体检测装置、设备及介质。

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像显著性物体检测方法、装置、设备及介质。

背景技术

显著性物体检测是计算机视觉领域的基本任务之一，目的是模拟人类视觉机制，计算视觉场景中信息的重要程度，提取图像中人类感兴趣的显著性区域。检测后的结果可用于目标与背景分离、拍照虚化等，具有广阔的应用前景。优秀的显著性物体检测模型应该尽量避免丢失或将背景误标为显著性区域的可能性，并且具备准确定位显著物体和保留原始图像信息的能力。目前的显著性物体检测模型可大致划分为两种：第一种是无监督模型，其依靠颜色、边缘等低视觉特征，计算产生显著性度量的显著图；第二种是基于学习的模型，其通过获取语义一致性等高视觉特征来判断目标的显著性。高级视觉特征可以更好地描述图片的语义信息，有助于完整地检测出显著性目标。

近年来，由于全卷积神经网络的快速发展，显著性物体检测可以作为二分类的稠密预测任务来解决。全卷积网络消除了对手工特征的需求，可以有效地整合高级视觉特征，比起传统方法展现出更为优越的性能，成为了显著性物体检测的主流方向。但是，由于多次的池化操作，全卷积网络提取的特征图分辨率很低，缺乏低级视觉特征。此外，由于卷积核的尺寸限制，特征图只包含局部的语义信息，缺少对图片整体性描述的全局信息。而显著性的意义在于目标相对于背景更为重要，这是图片整体中的相对概念，需要全局性信息来辅助判断。

发明内容

(一)要解决的技术问题

针对于现有的技术问题，本发明提出一种图像显著性物体检测方法、装置、设备及介质，用于至少部分解决上述技术问题。

(二)技术方案

本发明一方面提供一种图像显著性物体检测方法，包括：对图像数据进行特征提取，输出多个尺寸的原始特征图；对每个原始特征图的尺寸进行压缩，并对压缩尺寸后的特征图进行映射，获得原始特征图中的全局信息；对每个原始特征图进行卷积及批标准化处理，获得原始特征图中的局部信息；对获取的全局信息及局部信息进行整合，获得多个信息整合特征图；将多个信息整合特征图进行拼接，获得拼接特征图，根据拼接特征图，获得检测结果。

可选地，对获取的全局信息及局部信息进行整合，获得多个信息整合特征图，包括：对原始特征图的全局信息与局部信息进行点乘；对点乘结果进行卷积处理；对卷积结果进行批标准化处理，获得与该原始特征图对应的信息整合特征图。

可选地，获得多个信息整合特征图中，每个原始特征图对应的信息整合图与该原始特征图的尺寸大小相同。

可选地，采用递进的方式对多个信息整合特征图进行拼接。

本发明另一方面提供一种图像显著性物体检测装置，包括：特征提取模块，用于对图像数据进行特征提取，输出多个尺寸的原始特征图；全局信息整合模块，用于获取每个原始特征图中的全局信息和局部信息，根据全局信息和局部信息得到信息整合特征图，并根据信息整合特征图输出拼接特征图；上采样层，根据拼接特征图输出图像显著性检测结果；其中，图像显著性检测装置包括至少一个特征提取模块，每个特征提取模块具有与之对应的全局信息整合模块。