[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

说明书

本发明公开了一种基于涂鸦监督的高分辨显著性目标检测方法，图像处理，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；特征提取，将缩放的图像经过轻量级的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；边缘提取，原始分辨率图像被送入边缘结构保持分支，使其在较高分辨率下提取显著目标的边缘特征；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。解决了高分辨率图像处理问题，提高了分割结果的质量和减小了高分辨率图像引起的计算机内存消耗。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于涂鸦监督的高分辨显著性目标检测方法。

背景技术

显著目标检测(SOD)的目的是准确检测和分割识别目标区域，在形象上吸引人们的注意，这导致产生一个令人印象深刻的表现各种视觉识别任务，它可以作为机器人智能控制、视觉跟踪、图像裁剪等方面的预处理步骤。

基于深度卷积神经网络(DCNN)的方法在复杂的背景下，更有效地获取显著的前景区域，进而获得精确的分割结果。然而，这些完全监督的方法严重依赖于大规模像素级标注的数据集来对模型进行训练学习。即使对于有经验的数据集注释者，像素级的ground-truth标注也是非常耗时费力的。因此，这种低效的注释工作将不可避免地限制了像素级训练样本的总数，进而成为全监督学习方进一步发的展瓶颈。为此，不依赖精细注释的弱监督学习方法引起了研究者的关注。

与完全监督方法相比，弱监督方法可以只采用下列的一种或者多种弱标签数据集，可节省大量人力和物力弱标签:图像级类别标签、边框标签、涂鸦标签和点标签。类别标签是易于获取，但缺乏对语义空间信息的标注和显著的前景区域的边界标注。边框标签提供位置和类别信息大多数目标对象，但忽略了语义像素标注。显著性目标检测是一个类不可知论的任务，着重于将突出的前景分割为白色，并将背景二值化黑色，对类别不敏感。涂鸦只标记在阶级不可知论的内部识别目标，并指示目标的空间位置信息。实验表明通过涂鸦得到的结果比用其他弱标签得到的结果要好甚至接近于通过监督学习获得的。

此外，几乎所有这些以往实现了高质量的显著性目标分割结果的工作，主要集中在低分辨率图像上。在实际场景中，由电子设备拍摄的图片都是高分辨率的(如1920×1080像素或更高)，高分辨率图像的处理是当下需要解决的问题，高分辨率输入图像处理面临的问题是分割结果的质量和高分辨率图像引起的计算机内存消耗。

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涂鸦监督的高分辨显著性目标检测方法，来解决背景技术中的问题。

本发明提供如下技术方案：

一种基于涂鸦监督的高分辨显著性目标检测方法，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。