[发明专利]学习生物视觉通路的轮廓检测方法

权利要求书

1.一种学习生物视觉通路的轮廓检测方法，其特征在于包括以下步骤：

A、构建深度神经网络结构，深度神经网络结构具体如下：

编码网络、解码网络、前馈融合模块；其中，编码网络为VGG16与FENet相结合的网络结构；

VGG16网络以池化层为分界线，分为S1、S2、S3、S4、S5阶段；

FENet包括四个子网络：单拮抗特征子网络、双拮抗特征子网络、V1输出子网络、V2输出子网络；

B、原始图像输入VGG16网络中，依次经S1、S2、S3、S4、S5阶段卷积处理，分别获得输出结果S1、S2、S3、S4、S5，其中输出结果S1送入解码网络；

原始图像经过公式1处理，得到R-G，G-R，B-Y，Y-B四种输入；

SO_i＝C_m-ωC_n (1)

其中，i表示R-G，G-R，B-Y，Y-B；m和n都代表R、G、B、Y分量；ω为系数，取值为0.7；

将R-G，G-R，B-Y，Y-B输入单拮抗特征子网络处理，获得输出结果a，输出结果a与输出结果S2相加融合后，得到融合结果a，输入解码网络；

将R-G，G-R，B-Y，Y-B输入双拮抗特征子网络处理，获得输出结果b，输出结果b与输出结果S3相加融合后，得到融合结果b，输入解码网络；

原始图像经过SCO算法得到V1区的边缘响应，输入V1输出子网络处理，获得输出结果c，输出结果c与输出结果S4相加融合后，得到融合结果c，输入解码网络；

原始图像经过SED算法得到V2区的边缘响应，输入V2输出子网络处理，获得输出结果d，输出结果d与输出结果S5相加融合后，得到融合结果d，输入解码网络；

C、将输出结果a、输出结果b分别输入前馈融合模块中；

输出结果S1、融合结果a、融合结果b、融合结果c、融合结果d经解码网络处理后，获得解码输出结果，输入前馈融合模块中，并计算其损失；

D、在前馈融合模块中，输出结果a、输出结果b分别经过1x1-1卷积层后，经上采样恢复到原始分辨率，并计算其损失，最后乘以权重，获得的结果与解码输出结果相加融合后获得最终输出轮廓，并计算其损失；

所述的单拮抗特征子网络包括：R-G、G-R、B-Y、Y-B四组单拮抗卷积处理阶段，SEM多尺度增强模块，3×3-128卷积层；

R-G，G-R，B-Y，Y-B单拮抗卷积处理阶段相同，分别依次经过3×3-3卷积层、3×3-64卷积层、最大池化层、3×3-128卷积层；

单拮抗特征子网络处理过程如下：

将R-G，G-R单拮抗卷积处理阶段处理后的特征相加融合，经过多尺度增强模块处理，获得单拮抗增强结果a；将B-Y，Y-B单拮抗卷积处理阶段处理后的特征相加融合，经过多尺度增强模块处理，获得单拮抗增强结果b；

将单拮抗增强结果a与单拮抗增强结果b拼接，然后通过3×3-128卷积层来匹配通道数后得到融合结果a；

所述的双拮抗特征子网络包括：R-G，G-R，B-Y、Y-B双拮抗卷积处理阶段，SEM多尺度增强模块，1×1-256卷积层；

R-G，G-R，B-Y、Y-B双拮抗卷积处理阶段相同，每个阶段的输入分成两路，每个阶段中的两路分别依次经过9×9-3卷积层、9×9-64卷积层、2×2最大池化层、9×9-128卷积层、2×2最大池化层、9×9-256卷积层，乘以sigmoid函数归一化的可训练权重后，相减，分别获得R-G，G-R，B-Y、Y-B双拮抗卷积处理结果；

将R-G，G-R双拮抗卷积处理结果相加融合后，通过SEM多尺度增强模块处理，获得双拮抗增强结果a；将B-Y、Y-B双拮抗卷积处理结果相加融合后，通过SEM多尺度增强模块处理，获得双拮抗增强结果b；

将双拮抗增强结果a与双拮抗增强结果b拼接，然后通过1×1-256卷积层来匹配通道数后得到融合结果b。

2.如权利要求1所述的学习生物视觉通路的轮廓检测方法，其特征在于：

所述的VGG16网络由原始VGG16网络经过如下结构调整获得：

去掉S4和S5之间的池化层，同时把S5的三个卷积层依次改为空洞率为2、4、8的空洞卷积层。