[发明专利]一种跨维度交互式显著检测模型及其检测方法

说明书

本发明公开一种跨维度交互式显著检测模型及其检测方法。跨维度交互式显著检测模型依次包括基础特征提取模块、有效特征提取模块、聚合模块。使用跨维度交互式显著检测模型进行显著目标检测的方法包括：使用基础特征模块提取原始图像的不同纹理、不同尺度、不同层数的基础特征；有效特征提取模块负责提取基础特征，得到有用顶层特征信息和全局上下文特征信息；将有用顶层特征信息和全局上下文特征信息输入聚合模块，输出特征图。本发明在复杂度、计算量没有改变的情况下解决空间和通道之间无法产生跨维交互的问题，充分提取有效特征信息，高精度提取完整的显著信息。

技术领域

本发明属于显著性检测技术领域，涉及一种跨维度交互式显著检测模型及其检测方法。

背景技术

显著的目标检测和固定的眼睛视觉检测是计算机视觉研究涉及的两个方面。显著目标检测目的是对图像的弱像素和突出像素之间进行有效、准确的分割，它在图像分割、桥梁裂缝检测、图像检索、车辆检测等领域应用比较广泛。

近年来，随着深度学习的快速发展，许多学者通过CNN对显著目标进行学习、研究。例如PiCANet利用对全局上下信息和局部上下文信息的整合实现对显著区域进行识别提取，该网络无法适应复杂背景对显著目标进行有效提取，详见“Liu N,Han J,and Yang MH,et al.PiCANet:Learning pixel-wise contextual attention for saliencydetection.IEEE/CVF Conference on Computer Vision and Pattern Recognition,2018,3089–3098.”。GCPANet增强了顶层特征、减少了信息冗余，但该网络在对显著物体边缘细节处理上，存在模糊和丢失现象，详见“Chen Z,Xu Q,Cong R,et al.Global Context-Aware Progressive Aggregation Network for Salient Object Detection[J].Proceedings of the AAAI Conference on Artificial Intelligence,2020,34(7):10599-10606.”。BASNet利用空洞卷积充当注意力机制来获取更多顶层特征信息，提升网络的性能，详见“Qin X.,Zhang Z,Huang C,et al.BASNet:Boundary-Aware Salient ObjectDetection,IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR),2019,pp.7471-7481.”。CAGNet(详见“Sina Mohammadi,Mehrdad Noori,AliBahri,et al.CAGNet:Content-Aware Guidance for Salient Object Detection,Pattern Recognition,2020,107303.”)和U2-Net(详见“Qin X B,Zhang Z C,Huang C Y,et al.U2-Net:Going deeper with nested U-structure for salient objectdetection,Pattern Recognition,2020,107404.”)两种模型也分别实现了显著目标的检测。

由以上可知，基于深度学习的方式虽然可以对显著目标进行提取，但在边缘细节以及复杂环境下进行提取，仍存在许多问题。如何可以适应不同背景的干扰，可以有效的对显著目标进行提取检测，与背景完整的分割，是目前亟待解决的问题。

发明内容

本发明实施例提供一种跨维度交互式显著检测模型及其检测方法，以解决现有基于深度学习的显著性检测方法对边缘提取模糊，复杂环境下显著区域提取不完整等问题。

本发明实施例所采用的技术方案是，一种跨维度交互式显著检测模型，包括依次连接的基础特征提取模块、有效特征提取模块和聚合模块；

所述基础特征提取模块，用于对原始图像的纹理、空间、颜色等特征信息进行提取；