[发明专利]一种基于双深度融合网络的轮廓检测方法

权利要求书

1.一种基于双深度融合网络的轮廓检测方法,其特征在于：包括以下步骤：

步骤1、建立基于轮廓检测的双深度融合网络结构

基于轮廓检测的双深度融合网络结构包括：类HED模块、类CEDN模块、Refine Block网络和sigmoid网络；

所述类HED模块采用不含全连接层的VGG-16网络，用于提取输入图片的n个不同尺度的特征图；

所述类CEDN模块由ResNet-50网络和G-Weights Block网络组成；G-Weights Block网络连接在ResNet-50网络之后；ResNet-50网络用于提取输入图片的n+1个尺度不同的特征图，其中前n个特征图的尺度与类HED模块提取出的特征图尺度一一对应，第n+1个特征图作为G-Weights Block网络的输入；G-Weights Block网络用于将输入的特征图通过卷积和双线性上采样操作生成n个特征权重融合图输出；n个特征权重融合图的尺度与ResNet-50网络中前n个特征图尺度一一对应；

所述Refine Block网络分别连接类HED模块、ResNet-50网络和G-Weights Block网络后再连接sigmoid网络；Refine Block网络由k个Refine Block层组成；其中Refine Block1的输入为类HED模块和ResNet-50网络各提供的一个特征图、G-Weights Block网络提供的一个特征融合权重图；余下的Refine Block层中，每个Refine Block层的输入均为类HED模块和ResNet-50网络各提供的一个特征图、G-Weights Block网络提供的一个特征融合权重图以及Refine Blockk-1输出的特征图；需要说明的是：尺度特征图不能重复选用；在同一Refine Block层中，来自类HED模块、ResNet-50网络以及G-Weights Block网络的特征图尺度相同；Refine Block网络用于将G-Weights Block网络生成的特征融合权重图、类HED模块和ResNet-50网络提取的特征图动态融合，并对融合后的特征图进行上采样还原至输入图片尺度后输出；

所述sigmoid网络用于将Refine Block最终输出的特征图像素值归一化到0-1范围内，从而得到最终的目标检测轮廓预测图；

步骤2、计算目标检测轮廓预测图的损失

将步骤1得到的目标检测轮廓预测图中每个像素与预设轮廓标签中的对应像素进行带权重的交叉熵损失计算，得到每个像素的损失，再对所有像素的损失求和得到损失总和，然后将损失总和计算梯度，反向传播更新目标检测网络的参数；

步骤3、重复步骤2，直到总的损失不再下降，目标检测网络收敛，完成目标检测网络的训练。

2.根据权利要求1所述的一种基于双深度融合网络的轮廓检测方法,其特征在于：，所述n为4，4个特征图的尺度分别为输入图片的第n+1个特征图的尺度为输入图片所述k＝2、3、4。

3.根据权利要求1所述的一种基于双深度融合网络的轮廓检测方法,其特征在于：，所述Refine Block网络中各层Refine Block在对输入特征图进行融合的过程还还对特征矩阵进行了重排列，使不同特征图之间关联性和差异性得到更加充分的利用；重排列的步骤如下：

步骤1.1、先通过卷积将所有特征图的通道数统一降为C_d，再把所有特征图按通道分别拆分成C_d个特征矩阵；

步骤1.2、然后Refine Block1按照来自类HED模块的特征矩阵、来自ResNet-50网络的特征矩阵、特征融合权重图顺序依次排列，重复该操作直到所有特征矩阵排列完毕，然后按照重排结果拼接之后得到新的特征图；

Refine Block2、Refine Block3和Refine Block4按照来自类HED模块的特征矩阵、来自类ResNet-50网络的特征矩阵、与其自身相连的Refine Block输出特征矩阵、特征融合权重图顺序依次排列，重复该操作直到所有特征矩阵排列完毕，然后按照重排结果拼接之后得到新的特征图。

4.根据权利要求1所述的一种基于双深度融合网络的轮廓检测方法,其特征在于：所述Refine Block网络中各层Refine Block都设有子像素卷积模块，子像素卷积模块输入为Refine Block1或Refine Block k得到的新的特征图，输出为经过上采样的特征图。