[发明专利]一种半监督的显著对象检测方法有效
申请号: | 201710702593.X | 申请日: | 2017-08-16 |
公开(公告)号: | CN107506792B | 公开(公告)日: | 2020-09-29 |
发明(设计)人: | 崔静;谭凯;王嘉欣 | 申请(专利权)人: | 广西荷福智能科技有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04 |
代理公司: | 成都华风专利事务所(普通合伙) 51223 | 代理人: | 徐丰;张巨箭 |
地址: | 530000 广西壮族自治区南宁市高新区*** | 国省代码: | 广西;45 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种半监督的显著对象检测方法,基于改进的faster rcnn的RPN网络模型,方法包括:S1:对图片中对象框进行初始分割,作为对象的初始ground truth;S2:设置网络;S3:训练网络;S4:对训练图片进行显著对象预测;S5:对训练图片进行超像素分割及超像素级的平滑,并进行二值化操作;S6:利用步骤S5得到的二值化的对象前景谱作为ground truth;S7:重复步骤S3~S6。本发明提出了包含显著预测模块与对象检测模块的联合网络,将显著预测模块的输出与分类模块的中间特征层进行融合,进行联合优化。这种网络结构有效地利用了对象的轮廓信息,辅助网络更加准确地检测出显著对象。 | ||
搜索关键词: | 一种 监督 显著 对象 检测 方法 | ||
【主权项】:
一种半监督的显著对象检测方法,基于改进的faster rcnn的RPN网络模型,其特征在于:所述的RPN网络模型包括对象检测模块和显著预测模块;所述的对象检测模块和显著预测模块的输入端共享一个共享卷积层;所述的显著预测模块包括一个第一卷积层、一个sigmoid层和三个转置卷积层,共享卷积层的输出端经过第一卷积层输出特征谱,所述的特征谱经过sigmoid层得到一张初始显著预测谱s,所述的初始显著预测谱s经过三个转置卷积层的上采样后输出一张显著预测谱sal;在训练阶段,所述的显著预测模块还包括一个在转置卷积层之后的Euclidean损失层;所述的对象检测模块包括一个第二卷积层、一个ReLu层和一个全连接层,共享卷积层的输出端顺次与第二卷积层和ReLu层连接,ReLu层输出的特征谱F={f1,f2,...,fn}与初始显著预测谱s进行func函数操作后得到显著特征谱FS={fs1,fs2,...,fsn},所述的func函数表示两个矩阵对应元素相乘;全连接层从显著特征谱上提取预测框特征,进行预测框的位置预测和类别预测;所述的方法包括包括以下步骤:S1:利用对象框信息,对图片中对象框所在区域进行初始分割,并将分割结果保存,作为对象的初始groundtruth即参考标准;S2:设置对象检测模块的检测类别数和网络的初始学习率;S3:训练所述的网络,使用随机梯度下降算法优化网络损失L并更新网络,其中学习率每迭代N次进行更新;S4:对步骤S3训练完的网络,采用显著预测模块及前面的共享卷积层作为测试网络,对训练图片进行显著对象预测;S5:对训练图片进行超像素分割,利用超像素分割结果对步骤S4得到的显著预测谱sal进行超像素级的平滑,并对平滑后的谱进行二值化操作,最终得到二值化的对象前景谱;S6:利用步骤S5得到的二值化的对象前景谱作为groundtruth,替代步骤S1中使用分割方法得到的前景对象区域,并将学习率设置为步骤S3中网络训练结束时学习率的值;S7:重复步骤S3~S6,直到网络训练达到满意效果。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广西荷福智能科技有限公司,未经广西荷福智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201710702593.X/,转载请声明来源钻瓜专利网。