[发明专利]深度融合边缘与高层特征的显著性目标检测方法及装置

说明书

本发明公开了一种深度融合边缘与高层特征的显著性目标检测方法及装置，在低层网络为每个感受野卷积核加入相应的调制核，扩大其信息感知范围并能保留空间细节信息，通过感受野与非经典感受野的联合作用，改进低层边缘特征的表达能力；构建高层引导的交互注意力网络，在高层信息的引导下使注意力聚焦在重点关注的目标区域，滤除来自背景的干扰，利用交互注意力作用，进一步优化区域边界；通过交互注意力、自注意力和层叠方式对特征进行深度融合与全局关联，在信息相互作用过程中实现特征筛选、特征互补和全局特征理解。本发明为复杂场景中显著性目标检测建立一个通用有效的计算模型，提高显著性对象的边界精确性、定位准确性和结构完整性。

技术领域

本发明涉及图像处理、模式识别技术领域，具体涉及一种深度融合边缘与高层特征的显著性目标检测方法及装置。

背景技术

人类视觉系统具有选择性的注意能力，可以从复杂的场景中快速发现重要的目标。显著性目标检测是鉴于人类视觉凝视点预测建立一种感兴趣区域检测模型，其广泛应用于图像检索、图像理解、语义分割、目标跟踪等视觉任务。显著性检测面临两个主要的挑战：1)目标边界的精确性。边界包含于显著图，但由于边界位于特征突变的地方，导致边界与区域内部产生的响应有所差异；尤其是低对比度环境，边界往往比较模糊；2)检测对象的完整性。显著性对象主体成分容易从背景中突出，但一些与主体长程关联的小部件或细微结构容易被缺失。

传统卷积操作的感受野大小有限，只能捕获局部信息，尽管可以通过堆叠相当数量的卷积层和和池化层来增大感受野，但是网络低层的感受野仍然很小，而低层正是获取边缘信息的重要特征表达层，生成的特征包含了大量无实际意义的纹理成分或者一些弱响应的重要结构不能突出。虽然网络深层增大了感受野能获得语义性更强的信息，但是丢失了细节性的空间信息，而这些空间信息对于像素精细分类来说是尤为重要。

为了融合不同层次的特征，通常采用层叠的方式将低层的空间细节与高层语义信息组合在一起，然而这种结合方式忽略了不同特征之间的差异，存在语义上的鸿沟，难以有效地融合这些特征，处理复杂场景中的目标时，由于高、低级特征简单的串联方式对于不同特征的语义鸿沟处理不当，会造成误检出背景中的物体、物体边缘粗糙以及细节丢失等后果。

发明内容

本发明提出了一种深度融合边缘与高层特征的显著性目标检测方法及装置，旨在解决高、低级特征简单的串联方式对于不同特征的语义鸿沟处理不当，造成复杂场景中显著性目标检测精度不高的技术问题。

为了实现上述目的，本发明提供了一种深度融合边缘与高层特征的显著性目标检测方法，所述显著性目标检测方法包括以下步骤：

获取图像训练数据集；

基于VGG-16神经网络构建初始显著性检测网络；

基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络；

将待识别图像输入所述优化后的显著性检测网络，输出所述待识别图像的显著性目标检测结果。

优选地，所述基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络的步骤，具体包括：

所述初始显著性检测网络包括两个低层网络和三个高层网络；

在两个所述低层网络建立非经典感受野调制神经网络；

初始化所述非经典感受野调制神经网络中的感受野层的参数，定义所述非经典感受野调制神经网络的目标函数；

根据所述目标函数，基于所述图像训练数据集训练所述非经典感受野调制神经网络有监督的学习所述图像训练数据集中图像的边缘特征；