[发明专利]视觉显著性检测算法适用性预测与性能盲评价方法

权利要求书

1.一种视觉显著性检测算法适用性预测与性能盲评价方法，其特征在于，包括显著性算法适用性预测网络模型、显著图质量评估网络模型和构建训练样本，所述构建训练样本分别输入显著性算法适用性预测网络模型和显著图质量评估网络模型中作为训练数据；

所述显著性算法适用性预测网络模型构建步骤包括：

步骤A1.建立深度卷积网络-AlexNet；

步骤A2.修改深度卷积网络模型的全连接层结构，确定输出为2*N的适用性得分矩阵；

步骤A3.确定算法适用性的均方误差损失函数；

步骤A4.以构建训练样本集T₁为训练数据进行学习；

步骤A5.得到显著性算法适用性预测网络；

所述显著图质量评估网络模型构建步骤包括：

步骤B1.建立2路并行深度卷积网络作为特征提取模块，所述深度卷积网络为VGG16卷积层结构；

步骤B2.将卷积层提取后的成对网络特征在通道维度上进行聚合操作；

步骤B3.修改深度卷积网络模型的全连接层结构，确定输出为2*2的性能预测得分矩阵；

步骤B4.设定质量评价均方误差损失函数；

步骤B5.以构建训练样本集T₂为训练数据进行学习；

步骤B6.得到显著图质量评估网络；

所述构建训练样本的步骤包括：

步骤C1.获取待检测图片集和待检测图片集的真值标记文件；

步骤C2.选择N种显著性方法，并生成每种类型的显著性方法的显著图；

步骤C3.每个显著图和真值标记文件计算得到平均绝对误差(MAE)，以及操作特性曲线与坐标轴围成的面积(AUC)；

步骤C4.每张原图搭配2*N个指标，其中N个指标为平均绝对误差(MAE)，另外N个为操作特性曲线与坐标轴围成的面积(AUC)，多个原图构成训练样本集T₁；每张原图分别搭配2种方法的显著图组成新的2个四维图片，每张四维图片搭配对应显著图的平均绝对误差和操作特性曲线与坐标轴围成的面积，每张原图的扩展样本数量为N*(N-1)个，共同构成训练集T₂；

完成所述显著性算法适用性预测网络和显著图质量评估网络；将输入图片送入显著性算法适用性预测网络，得到从多种类型的显著性方法中选取的适用性得分前K的显著性方法，利用适用性得分前K的显著性方法生产显著图，送入显著图质量评估网络，选取性能预测得分最高的显著图。

2.根据权利要求1所述的一种视觉显著性检测算法适用性预测与性能盲评价方法，其特征在于，显著性算法适用性预测网络和显著图质量评估网络采用图片集M＝{m₁,m₂,…,m_n}，及其真值标记文件为G＝{g₁,g₂,…,g_n}作为模型训练样本。

3.根据权利要求1所述的一种视觉显著性检测算法适用性预测与性能盲评价方法，其特征在于，所述视觉显著性检测算法适用性预测网络输出为2*N的适用性得分矩阵，具体为N个操作特性曲线与坐标轴围成的面积指标，以及N个平均绝对误差指标；其中视觉显著性检测算法适用性预测网络的训练采用均方误差损失函数评价显著性方法的真实值评价指标与网络预测指标的差异，用于约束网络训练，差值越小，预测值越接近真实值，模型性能越好。

4.根据权利要求1所述的一种视觉显著性检测算法适用性预测与性能盲评价方法，其特征在于，显著性图质量盲评估网络利用2路并行网络结构作为特征提取器，其单个通道的输入为待检测图片和对应1种方法的显著图，将2组输入提取特征后，进行特征通道维度聚合，再输入至全连接层，盲评估网络输出的性能预测得分矩阵为2组预测值；每组预测值分别为对应方法的平均绝对误差指标和1个预测的操作特性曲线与坐标轴围成的面积指标；其中显著性图质量盲评估网络训练采用均方误差损失函数评价真实值评价指标与网络预测指标的差异，差值越小，预测值越接近真实值，模型性能越好。

5.根据权利要求1所述的一种视觉显著性检测算法适用性预测与性能盲评价方法，其特征在于，基于上述训练模型的预测算法执行包括：采集模块，用于采集输入图片；显著性算法适用性预测模块，利用输入图片从多种类型的显著性方法中选取K种显著性方法，K为小于N的整数；显著图处理模块，利用N种显著性方法分别处理输入图片，获得所述输入图片的显著图；显著图质量评估模块，用于评估显著图的性能预测得分；输出模块，用于输出最优显著图。