[发明专利]一种基于多尺度卷积特征提取和融合的显著物体检测方法有效
| 申请号： | 201910062293.9 | 申请日： | 2019-01-23 |
| 公开（公告）号： | CN109635882B | 公开（公告）日： | 2022-05-13 |
| 发明（设计）人： | 牛玉贞;龙观潮;郭文忠;苏超然 | 申请（专利权）人： | 福州大学 |
| 主分类号： | G06V10/80 | 分类号： | G06V10/80;G06V10/774;G06V10/82;G06K9/62;G06N3/04 |
| 代理公司： | 福州元创专利商标代理有限公司 35100 | 代理人： | 蔡学俊 |
| 地址： | 350108 福建省福州市闽*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于多尺度卷积特征提取和融合的显著物体检测方法，首先进行数据增强，同时对彩色图像以及对应的人工标注图进行处理，增加训练数据集的数据量；接着提取多尺度特征，并进行通道压缩来优化网络的计算效率；然后融合多尺度的特征，得到预测的显著图；最后通过求解最小化交叉熵损失，学习到模型的最优参数；最终利用训练好的模型网络来预测图像中的显著物体。本发明能显著提高显著物体检测精度。 | ||
| 搜索关键词： | 一种 基于 尺度 卷积 特征 提取 融合 显著 物体 检测 方法 | ||
【主权项】：
1.一种基于多尺度卷积特征提取和融合的显著物体检测方法，其特征在于：包括以下步骤：步骤S1：进行数据增强，同时对彩色图像以及对应的人工标注图进行处理，增加训练数据集的数据量；步骤S2：提取多尺度特征，并进行通道压缩来优化网络的计算效率；步骤S3：融合多尺度的特征，得到预测的显著图Predi；步骤S4：通过求解最小化交叉熵损失，学习到模型的最优参数；最终利用训练好的模型网络来预测图像中的显著物体。
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福州大学，未经福州大学许可，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/201910062293.9/，转载请声明来源钻瓜专利网。
