[发明专利]一种具有自适应选择训练过程的图像显著目标检测方法

说明书

本发明公开了一种具有自适应选择训练过程的图像显著目标检测方法，属于图像处理技术领域，包括获取输入图像，利用深度特征提取器提取输入图像的高层特征图和融合特征；将高层特征图输入显著目标存在性预测分支，并输出第一检测结果；将融合特征输入显著目标检测分支，并输出第二检测结果；利用第一检测结果和第二检测结果，产生输入图像的显著图。本发明将图像级分类特征和像素级语义特征结合起来，共同训练两种任务的损失，同时自适应地选择包含显著目标的图像进行增强学习，提高了模型的检测精度。

技术领域

本发明涉及数据处理技术领域，特别涉及一种具有可解释性的直推学习方法及系统。

背景技术

图像显著目标检测模拟了人类视觉系统检测场景中最引人注目的物体的能力，它是图像处理的预处理部分，近年来取得了很大的研究进展。但是现有的数据集大多包含一个或多个简单的显著目标，这不能充分反映真实世界中图像的复杂性。真实场景图像中有时候并不包含显著物体，例如，天空、草地、纹理、高密度人群等。因此，现有的图像显著目标检测模型在现有的数据集上性能已趋于成熟，但在真实场景中不能达到满意的性能。

因此亟需提供一种图像显著目标检测模型，用于在真实场景中检测显著目标，既要考虑图像中包含显著物体的情况，也要考虑图像中不含有显著物体的情况。

发明内容

本发明的目的在于克服现有技术存在的缺陷，提供一种具有自适应选择训练过程的图像显著目标检测方法，能够准确地对所有图像进行检测。

为实现以上目的，本发明采用一种具有自适应选择训练过程的图像显著目标检测方法，包括如下步骤：

获取输入图像，利用深度特征提取器提取输入图像的高层特征图和融合特征；

将高层特征图输入显著目标存在性预测分支，并输出第一检测结果；

将融合特征输入显著目标检测分支，并输出第二检测结果；

利用第一检测结果和第二检测结果，产生输入图像的显著图。

进一步地，所述利用深度特征提取器提取输入图像的高层特征图和融合特征，包括：

将所述输入图像至深度特征提取器M中，提取其高层语义特征和融合特征，其中，深度特征提取器M采用Resnet101作为主体网络，高层接ASPP模块，侧边连接四个上下文特征聚合模块CFAM。

进一步地，所述将所述输入图像至深度特征提取器M中，提取其高层特征图和融合特征，包括：

对于所述输入图像，利用所述Resnet101侧边输出四种不同分辨率的高层特征图F^m(m＝1,2,3,4)；

利用所述ASPP模块输出特征图F_ASPP经过卷积操作产生特征图

利用所述上下文特征聚合模块CFAM融合特征图F_ASPP、高一层CFAM模块输出的特征图以及同一层的Resnet101侧边输出的特征图F^m，输出特征图

利用特征图融合，形成所述融合特征。

进一步地，所述利用特征图融合，形成所述融合特征，包括：

对所述特征图上采样到原始输入图像大小，然后连接在一起形成所述融合特征，具体为：

其中，表示用于将特征恢复到输入图像的分辨率的上采样操作。

进一步地，所述将高层语义特征输入显著目标存在性预测分支，并输出第一检测结果，包括：

采用全局平均池化对所述高层特征图进行加速降维，生成1*1*2048全局特征，然后重新排列特征；