[发明专利]基于FCN与低秩稀疏分解的感兴趣区域检测方法有效
| 申请号： | 201710963435.X | 申请日： | 2017-10-13 |
| 公开（公告）号： | CN107977661B | 公开（公告）日： | 2022-05-03 |
| 发明（设计）人： | 张芳;肖志涛;王萌;吴骏;耿磊;王雯;刘彦北 | 申请（专利权）人： | 天津工业大学 |
| 主分类号： | G06V10/25 | 分类号： | G06V10/25;G06V10/762;G06V10/77;G06K9/62;G06N3/04 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 300387 *** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了基于FCN与低秩稀疏分解的感兴趣区域检测方法，包括：1)对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；2)在MSRA数据库中，基于梯度下降法学习得到特征变换矩阵；3)在MSRA数据库中，利用全卷积神经网络学习得到高层语义先验知识；4)利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换；5)利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，并根据分解得到的稀疏噪声计算显著图。本发明作为图像预处理过程，可以被广泛的应用到视觉跟踪、图像分类、图像分割和目标重定位等视觉工作领域。 | ||
| 搜索关键词： | 基于 fcn 稀疏 分解 感兴趣 区域 检测 方法 | ||
【主权项】：
一种基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，包括下列步骤：步骤1：对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；步骤2：基于梯度下降法学习得到特征变换矩阵；步骤3：利用全卷积神经网络学习得到高层语义先验知识；步骤4：利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换；步骤5：利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，并根据分解得到的稀疏噪声计算显著图。
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天津工业大学，未经天津工业大学许可，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/201710963435.X/，转载请声明来源钻瓜专利网。
