[发明专利]一种基于主动学习的显著性检测方法

说明书

本发明属于人工智能技术领域，提供了一种基于主动学习的显著性检测方法，主动学习的思路运用到了显著性检测领域，通过考虑样本的不确定性与多样性从未标记样本集中选择出最利于模型训练的样本加入训练集，训练得到最终的KSR模型，由该模型输出测试样本的初始显著图。之后，为了优化显著图的目标边界，又设计了一种超像素级的后处理方法进一步提升性能。本发明降低了标注成本，同时减少了训练集的冗余，使得实验效果相较于原始KSR模型有了很大提升。同时通过对比实验表明本发明方法的性能优于许多经典算法。

技术领域

本发明属于人工智能技术领域，涉及到计算机视觉，特别涉及到一种图像显著性检测方法。

背景技术

当今社会的经济和科技水平迅速发展，各种各样不同的碎片化信息时时刻刻的被人类所接收，而图像和视频信息又是这些信息中最多、最重要的。如何快速有效的处理图像数据成为人们需要解决的一个难题。通常，人们只关注图像中最吸引人眼注意区域，即前景区域或显著目标，同时忽略背景区域。因此，人们利用计算机模拟人类视觉系统进行显著性检测。目前，显著性的研究可以广泛应用到计算机视觉的各个领域，包括图像检索、图像分类、目标识别以及图像分割等。

显著性检测的目标是精准的从图像中将显著目标检测出来。基于监督学习的显著性检测算法普遍存在一个问题，即模型训练过程通常需要大量的人工标记数据，标记显著区域需要花费大量的资源，而且许多训练样本中存在冗余信息，这些冗余信息反而会对模型精度造成负面影响。

发明内容

本发明要解决的技术问题是：弥补上述现有方法的不足，提出一种基于主动学习的图像显著性检测方法，实现使用较少的训练样本获得更高模型精度的目的。

本发明的技术方案：

一种基于主动学习的显著性检测方法，步骤如下：

(1)首先，从MSRA数据库中随机选取500张图像加入训练集L中作为初始训练集，分别生成所有图像的区域候选分割(Proposals)，并提取所有区域候选分割的区域CNN特征；

(2)定义区域候选分割的正负样本，设计一个自信值(confidence score)去衡量样本相对于真值图前景和背景的打分，自信值为：该分数提前计算两个分值A和C，A是准确度分数，C是覆盖度分数，其中而其中O_i代表第i个样本的目标候选分割，G代表该图像的真值图；其中，ξ是用来平衡准确度分数和覆盖度分数的权重；在本方法中，设定自信值高于0.9的样本被认为是正样本，自信值小于0.6的样本被确定为负样本；因为在计算自信值时发现正样本的个数远远小于负样本的个数，所以使用所有的正样本，随机选择与正样本数量相同的负样本；为进行排序支持向量机训练，将所有正负样本组成正负样本对，定义正样本减负样本为正样本对，反之为负样本对；

利用公式：进行排序支持向量机和子空间学习联合训练，训练得到一个排序器KSR，该排序器对样本的区域候选分割进行显著性排序，排名靠前的与前景相似度大；其中w是排序支持向量机的排序系数；式中是逻辑损失函数，a是损失函数参数，e为指数函数；φ(x_i)代表样本的特征x_i通过核映射后的特征；p是样本对x_in和x_jn的约束数目；(in,jn)表明样本对是第n对约束的下标；y_n∈{+1,-1}表示样本是属于同一类还是不同类，或者说是否同时属于前景或背景；L∈R^l×d(l＜d)是学习到的映射矩阵，l是初始特征维数，d是映射后的特征维度，μ和λ则代表正则化参数；