[发明专利]一种基于双路径处理的高分辨率显著性目标检测方法

说明书

本发明公开了一种基于双路径处理的高分辨率显著性目标检测方法，包括：图像处理，输入的高分辨率图像首先经过包含深度可分离卷积的HeadBottleneck模块，对原始高分辨率图像预处理降低其参数量；较大感受野特征提取，全局上下文路径首先经过基于ResNet‑50改进的骨干网络R‑ResNet来提取具有较大的感受野的特征；多尺度特征提取，R‑ResNet骨干网络得到的特征被送入多尺度特征提取和增强模块；显著图生成，空间细节保持分支通过边缘信息引导模块提取详细的边缘信息，然后与全局上下文分支得到的特征互补融合得到最终的显著图结果。本发明能够实现对高分辨率图像中的显著性目标进行精确检测并快速分割，最终输出目标显著图，可以为高分辨率显著性目标检测提供一种解决方法。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于双路径处理的高分辨率显著性目标检测方法。

背景技术

显著目标检测旨在识别和分割图像或视频中最突出的目标区域，通常将其用作预处理步骤以促进计算机视觉任务，例如图像分割，视觉跟踪，图像理解和图像裁剪等。尽管已经有许多研究人员在显著性目标检测方面取得了很大的成就，但在此领域仍然充满挑战，特别是在高分辨显著性目标检测方面的研究极少。

传统的显著性目标检测受人眼机制讨论的启发，它通常利用目标的显著特征，例如明亮的颜色，强烈的对比度，方向的差异,纹理等来对显著性部分进行分割。一般，根据视觉子集的类型或使用特性，传统的显着性对象检测方法可以分为两个不同的类别：(1)使用基于块的视觉子集或基于区域的视觉子集。(2)仅使用图像本身提供的固有提示或引入外部提示，例如用户注释。但是，它们通常对复杂的图像产生不令人满意的预测，并且在实践中不能应用于实际项目。

近年来，深度学习在显著目标检测任务中取得了令人惊叹的性能，特别是基于2015年提出的LongJ,ShelhamerE,DarrellT.FullyConvolutionalNetworks for SemanticSegmentation[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,2015,39(4):640-651全卷积网络(FCN)的编码器-解码器方法极大地促进了SOD的发展。编码器可以提取多尺度和多样化级别的语义特征，其中包括具有不同细节的低级特征，以及各种背景干扰和深层全局语义特征。尽管基于FCN的显着性检测方法与传统方法相比取得了长足的进步，但其预测图仍不足以获取具有统一有效区域和清晰边界的显著图。

准确检测和完全分割出高分辨率显著目标仍存在一些挑战：1)单尺度语义特征不足以获取令人满意的显著性图。此外，来自深度神经网络不同层的特征是互补的，并且对显著性检测有积极作用。深层特征包含丰富的语义信息但缺少边缘细节信息，而低层特征具有丰富的细节，但缺乏全局性特征。为了获得更好的结果，如何设计一个集成了不同尺度特征的框架已经成为一个关键问题。2)边界信息的添加对于良好的分割至关重要。但是，由于边界和全局分支的信息不同，因此简单地集成这些特征可能会导致不兼容的干扰，从而使模型难以收敛。如果不能很好地利用边界信息来确定边界，则将获得具有模糊边界的次优解。3)显著性检测是图像理解的重要部分。尽管常规方法已经达到令人满意的精度，但是由于内存的大量消耗，它们被限制于较低分辨率的图像处理(例如224×224像素)，几乎没有诸如1024×2048像素的高分辨率网络。高分辨率输入意味着大量的计算资源消耗和GPU内存成本，特别是需要解决高分辨率特征图和较大的感受野需求之间的矛盾，其次还应考虑准确性和效率之间的平衡。4)传统的处理方法是利用下采样通过减小图片的尺寸逐渐获得语义特征图，这会导致细节信息的丢失，给显著性目标检测上采样恢复到原始分辨率带来严峻的挑战。在此情况下，以这种方式处理高分辨率输入会使缺点更加明显。

发明内容

针对现有技术不足，本发明的目的在于提供一种基于双路径处理的高分辨率显著性目标检测方法，解决背景技术中的问题。

本发明提供如下技术方案：

一种基于双路径处理的高分辨率显著性目标检测方法，包括：