[发明专利]一种基于涂鸦监督的高分辨显著性目标检测方法

权利要求书

1.一种基于涂鸦监督的高分辨显著性目标检测方法，其特征在于，包括以下步骤：

步骤1：图像处理，图像处理利用高分辨率图像的高推理质量和低分辨率图像的高效率能力，在特征提取阶段首先将高分辨率输入图像放缩到原始尺寸的1/4，送入特征提取分支来高效提取多尺度特征图，将原始分辨率图像送入边缘结构保存分支来在较高分辨率下提取丰富的边缘细节特征；

步骤2：特征提取，将缩放的图像送入轻量级上下文语义分支，经过轻量级的MobileNet骨干网络来提取具有较大感受野的特征图，然后将第二，三，四，五阶段的不同尺度特征通过短连接的方式送到多尺度上下文融合模块得到多尺度特征；

步骤3：边缘提取，原始分辨率图像被送入边缘结构保持分支，通过卷积层处理，使其在较高分辨率下提取显著目标的边缘特征；

步骤4：特征融合，两个分支的特征图分别通过1×1卷积和双线性插值扩张到相同的尺寸和维度来进行特征融合，采用concatenate融合方式获得最终的预测结果。

2.根据权利要求1所述一种基于涂鸦监督的高分辨显著性目标检测方法，其特征在于，所述图像处理前模型的两个分支同时处理两个不同分辨率的图像，一个是原始高分辨率图像，一个是经resize缩放到原始分辨率1/4的较低分辨率图像。

3.根据权利要求1所述一种基于涂鸦监督的高分辨显著性目标检测方法，其特征在于，所述特征提取骨干网络采用MobileNet V2网络，利用深度可分离卷积和倒残差结构减少模型的参数量和减少在低纬度处理时造成特征的丢失。

4.根据权利要求1所述一种基于涂鸦监督的高分辨显著性目标检测方法，其特征在于，所述多尺度上下文融合模块首先将第二，三，四，五阶段的特征分别采用双线性插值上采样4，8，16，32倍，采用concatenate将不同尺度的特征拼接融合，然后经过全局平均池化，批归一化，卷积操作后得到多尺度特征图。

5.根据权利要求1所述一种基于涂鸦监督的高分辨显著性目标检测方法，其特征在于，所述上下文语义特征提取阶段，选择部分交叉熵损失函数。

6.根据权利要求1所述一种基于涂鸦监督的高分辨显著性目标检测方法，其特征在于，在边缘结构保持分支采用三层卷积层和一个空间位置注意力模块来抑制无用的细节特征，保留有效的显著目标的边缘特征。

7.根据权利要求1-6任一项所述一种基于涂鸦监督的高分辨显著性目标检测方法，其特征在于，利用空间位置注意力模块将三层卷积提取到的特征分别进行全局最大值池化和全局平均池化操作，然后将两个特征图融合后再经过卷积操作和sigmoid操作给有用的边缘结构进行权值加权后与前一阶段的特征进行元素相乘操作。