[发明专利]基于阶梯状递进神经网络的显著性物体检测方法

权利要求书

1.一种基于阶梯状递进神经网络的显著性物体检测方法，其特征在于：包括训练阶段过程和测试阶段过程；

所述的训练阶段过程的具体步骤为：

步骤1_1：选取Q幅原始的带有显著性物体的各类场景图像及每幅原始的带有显著性物体的各类场景图像对应的显著性物体真实检测图像，由Q幅原始的带有显著性物体的各类场景图像及对应的显著性物体真实检测图像构成训练集；

步骤1_2：构建卷积神经网络，卷积神经网络主要由10个基础模块、5个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和4个引导模块组成；

步骤1_3：将训练集中原始的带有显著性物体的各类场景图像作为原始输入图像输入到卷积神经网络中进行训练，得到对应的显著性物体预测图像；

步骤1_4：计算所有显著性物体预测图像组成的图像集与对应的显著性物体真实检测图像组成的图像集之间的损失函数值，当训练次数达到预设次数时，卷积神经网络训练结束，获得训练后的卷积神经网络；

所述的测试阶段过程的具体步骤为：

步骤2_1：选取测试集中的第p组待检测的带有显著性物体的各类场景；

步骤2_2：将第p组待检测的带有显著性物体的各类场景输入到训练后的卷积神经网络中，训练后的卷积神经网络输出对应的显著性物体预测图像。

2.根据权利要求1所述的一种基于阶梯状递进神经网络的显著性物体检测方法，其特征在于：所述卷积神经网络主要由十个基础模块、五个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和四个引导模块组成，具体为：

第一基础模块、第二基础模块、第三基础模块、第四基础模块和第五基础模块依次连接，第六基础模块、第七基础模块、第八基础模块、第九基础模块和第十基础模块依次连接，卷积神经网络的输入分别输入到第一基础模块和第六基础模块；第一基础模块和第六基础模块的输出同时输入到第一交融模块，第二基础模块和第七基础模块的输出同时输入到第二交融模块，第三基础模块和第八基础模块的输出同时输入到第三交融模块，第四基础模块和第九基础模块的输出同时输入到第四交融模块，第五基础模块和第十基础模块的输出同时输入到第五交融模块，第一交融模块、第二交融模块、第三交融模块和第四交融模块的输出分别输入到多尺度锐化特征模块的第五输入端、第四输入端、第三输入端和第二输入端，第五交融模块的输出经金字塔锐化特征模块后输入到多尺度锐化特征模块的第一输入端；每个引导模块均有两个输入端，多尺度锐化特征模块的第五输出端、第四输出端、第三输出端和第二输出端分别与第四引导模块、第三引导模块、第二引导模块和第一引导模块的第一输入端相连，多尺度锐化特征模块的第一输出端与第一引导模块的第二输入端相连，第一引导模块的输出输入到第二引导模块的第二输入端，第二引导模块的输出输入到第三引导模块的第二输入端，第三引导模块的输出输入到第二引导模块的第二输入端，第四引导模块的输出作为卷积神经网络的输出。