【技术实现步骤摘要】
视觉显著性检测算法适用性预测与性能盲评价方法
本专利技术涉及识别方法
，尤其是一种视觉显著性检测算法适用性预测与性能盲评价方法。
技术介绍
视觉显著性检测旨在通过设计智能算法模拟人的视觉特点，自动检测出数字图像中易受到观察者关注的显著区域，并通过热度图的形式加以标注和显示。因视觉显著性检测在各类高级视觉感知算法中的重要作用，近年来这一问题得到了广泛地关注和研究。视觉显著性检测可应用于诸多高级计算机视觉问题中，例如图像压缩、图像拼接、图像分割等。给定待检测图像，视觉显著性检测算法输出像素级的显著性预测图，以输出灰度显著性值为例，高灰度值区域标记显著性目标(前景对象)区域，低灰度值区域标记非显著性目标(背景)区域。显著性检测结果的优劣对于基于显著性技术的其他视觉任务有着重要的影响。由于不同显著性检测方法的设计思路各异，加之不同的图像所含有的视觉模式复杂繁多，所以不同的图像往往适配不同的显著性检测方法。在真实的视觉任务中，由于通常无法预先提供真值标记文件，故无法用传统的量化评价方法进行评价，可靠的视觉显著性预测性能的盲评价方...
【技术保护点】
1.一种视觉显著性检测算法适用性预测与性能盲评价方法，其特征在于，包括显著性算法适用性预测网络模型、显著图质量评估网络模型和构建训练样本，所述构建训练样本分别输入显著性算法适用性预测网络模型和显著图质量评估网络模型中作为训练数据；/n所述显著性算法适用性预测网络模型构建步骤包括：/n步骤A1.建立深度卷积网络-AlexNet；/n步骤A2.修改深度卷积网络模型的全连接层结构，确定输出为2*N的适用性得分矩阵；/n步骤A3.确定算法适用性的均方误差损失函数；/n步骤A4.以构建训练样本集T
【技术特征摘要】
1.一种视觉显著性检测算法适用性预测与性能盲评价方法，其特征在于，包括显著性算法适用性预测网络模型、显著图质量评估网络模型和构建训练样本，所述构建训练样本分别输入显著性算法适用性预测网络模型和显著图质量评估网络模型中作为训练数据；
所述显著性算法适用性预测网络模型构建步骤包括：
步骤A1.建立深度卷积网络-AlexNet；
步骤A2.修改深度卷积网络模型的全连接层结构，确定输出为2*N的适用性得分矩阵；
步骤A3.确定算法适用性的均方误差损失函数；
步骤A4.以构建训练样本集T1为训练数据进行学习；
步骤A5.得到显著性算法适用性预测网络；
所述显著图质量评估网络模型构建步骤包括：
步骤B1.建立2路并行深度卷积网络(如VGG16卷积层结构)作为特征特征提取模块；
步骤B2.将卷积层提取后的成对网络特征在通道维度上进行聚合操作；
步骤B3.修改深度卷积网络模型的全连接层结构，确定输出为2*2的性能预测得分矩阵；
步骤B4.设定质量评价均方误差损失函数；
步骤B5.以构建训练样本集T2为训练数据进行学习；
步骤B6.得到显著图质量评估网络；
所述构建训练样本的步骤包括：
步骤C1.获取待检测图片集和待检测图片集的真值标记文件；
步骤C2.选择N种显著性方法，并生成每种类型的显著性方法的显著图；
步骤C3.每个显著图和真值标记文件计算得到平均绝对误差(MAE)，以及操作特性曲线与坐标轴围成的面积(AUC)；
步骤C4.每张原图搭配2*N个指标，其中N个指标为平均绝对误差(MAE)，另外N个为操作特性曲线与坐标轴围成的面积(AUC)，多个原图构成训练样本集T1；每张原图分别搭配2种方法的显著图组成新的2个四维图片，每张四维图片搭配对应显著图的平均绝对误差和操作特性曲线与坐标轴围成的面积，每张原图的扩展样本数量为N*(N-1)个，共同构成训练集T2；
完成所述显著性算法适用性预测网络和显著图质量评估网络；将输入图片送入显著性算法适用性预测网络，得到从多种类型的显著...
【专利技术属性】
技术研发人员：李坤乾，石舵，张永昌，周丽芹，宋大雷，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。