[发明专利]基于图像显著性检测的采砂船识别方法

权利要求书

1.一种基于图像显著性检测的采砂船识别方法，其特征在于：采用全卷积神经网络对图片进行显著性物体的检测，在检测过程中采集全局语义特征，局部信息作为补充，递归递减的模式深入融合两者；

在显著性物体检测过程中，采集全局语义特征即采砂船整体方位作为判断显著性物体位置的基本信息，采用局部信息即浅层卷积层输出的采砂船细节作为全局语义补充；

全卷积神经网络进行如下操作：

将数据从第一层卷积层开始慢慢向下传递直至第五层卷积层，在卷积传递的过程中，各层卷积层会提取各层所识别的特征，卷积结果：

f_s(X；W,b)＝Pooling(σ(W *_s X+b))

X是原生的输入图片；W和b分别代表卷积核和卷积偏置值；*_s代表卷积操作的步长值；σ代表是线性整流函数；Pooling指最大池化操作；作为结果的f_s(X；W,b)的是原数据按照参数s进行的下采样操作而得到：

X仍然代表原生的输入图片；f_s(X；θ)代表在步长s和参数θ的作用下生成的特征图；代表在上采样步长s和参数的作用下反卷积生成的特征图，且保证特征图规格与X的规格相同；

将所有不同层面生成的结果图全部数值相加平均融合为一张显著性检测结果图，结果如下：

其中，N为经过第一层不同卷积池化后得到的显著图数量；S_i为经过不同卷积池化得到的显著图S_fuse1；

依靠三层卷积与三层池化操作对图像进行再次深度整合，多次的卷积筛选，滤去杂质信息，对显著性物体加强，得到显著图S_fine2；

最后使用交叉熵损失函数对显著图做向前传递；其中的交叉熵权重为原生图与显著图，表示如下：

其中G为真值图；W代表的是网络参数的集合；β_i是权重平衡参数；|I|代表图片中所有像素点集合；|I|_-为非显著像素点集合；|I|₊为显著像素点集合；并且