【技术实现步骤摘要】
基于生成对抗卷积神经网络的光场显著性目标检测方法
本专利技术属于计算机视觉领域，具体的说是一种基于生成对抗卷积神经网络的光场显著性目标检测方法。
技术介绍
显著性目标检测是人类视觉系统的一个注意力机制。当我们面对一个场景时，人类自动的对感兴趣区域进行处理而选择性地忽略不感兴趣的区域，这些人们感兴趣的区域就被称为显著性区域。显著性目标检测是从输入的视觉信息中选择观察者最感兴趣的一部分数据进行处理，比如目标识别、目标追踪和图像分割等。目前，显著性检测已经成为计算机视觉领域内研究的热点方向之一。目前光场显著性目标检测的方法大致可以分为两类：基于统计的方法和基于学习的方法。基于统计的方法是在光场图像的基础上，利用彩色图像的统计属性或者物理属性来估计显著性目标。此类方法通常进行一些假设，如显著性目标属于前景、颜色鲜艳的区域一般被认为是显著性区域等等，这些方法都是基于一定的假设，计算都比较简单直接。基于学习的方法通常需要一定量的光场图像作为训练数据，利用这些训练数据来训练显著性目标检测模型，从而进行显著性目标检测...
【技术保护点】
1.一种基于生成对抗卷积神经网络的光场显著性目标检测方法，其特征按如下步骤进行：/n步骤1、对光场相机获取的光场数据进行解码，得到重聚焦序列数据集记为L＝(L
【技术特征摘要】
1.一种基于生成对抗卷积神经网络的光场显著性目标检测方法，其特征按如下步骤进行：
步骤1、对光场相机获取的光场数据进行解码，得到重聚焦序列数据集记为L＝(L1,L2,…,Ld,…,LD)，其中，Ld代表第d个光场数据的重聚焦序列，并有：其中，表示第d个光场数据的第m个焦点图，Cd表示第d个光场数据的中央视角图像，和Cd的高度和宽度分别为H和W，m∈[1,M]，M表示第d个光场数据的焦点图个数，d∈[1,D]，D表示光场数据的数目；
步骤2、对所述第d个光场数据的重聚焦序列Ld进行数据增强，得到第d个光场数据增强后的重聚焦序列图像集合L′d；从而获得所述光场数据集合L中D个光场数据增强后的重聚焦序列集合L′＝(L′1,L′2,…,L′d,…,L′D)；
步骤3、将所述第d个光场数据的真实显著图记为Gd，对所述第d个光场数据的真实显著图Gd做镜像和旋转处理，得到第d个几何变换后的真实显著图集合G′d；从而得到D个几何变换后的真实显著图集合记为G′＝(G′1,G′2,…,G′d,…,G′D)；
步骤4、构建由生成器和判别器所组成的生成对抗卷积神经网络；
步骤4.1、构建空间注意力模块SA；
所述空间注意力模块SA包括两个支路，一个支路依次包括：卷积核大小为1×k和k×1的两个卷积层，另一个支路依次包括：卷积核大小为k×1和1×k的两个卷积层；两个支路的输出通过加法器与Sigmoid激活函数相连；所述Sigmoid激活函数的输出通过乘法器与空间注意力模块SA的输入相连；
步骤4.2、构建上下文特征提取模块CFE和通道注意力模块CA；
步骤4.2.1、所述上下文特征提取模块CFE的输入分别与一个卷积层以及三个扩张卷积率分别为c1，c2和c3的扩张卷积层相连，每个所述扩张卷积层的输出均与一个上采样层相连；三个所述上采样层的输出与所述卷积层的输出经过串联处理后作为所述上下文特征提取模块CFE的输出；
步骤4.2.2、所述CFE模块的输出与所述通道注意力模块CA的输入相连，所述通道注意力模块CA依次包括：第一全连接层、ReLu激活函数、第二全连接层和Sigmoid激活函数；所述Sigmoid激活函数的输出通过乘法器与所述通道注意力模块CA的输入相连；
步骤4.3、构建U-Net卷积网络结构；
设置所述U-Net卷积网络是由编码部分和解码部分组成，并包含：2a+1个卷积模块、a个最大池化层、a个卷积核大小为n′×n′的转置卷积层，任意一个卷积模块是由a1对卷积核大小为n×n的卷积层和LeakyReLu激活函数组成；
所述编码部分是以一个卷积模块和一个最大池化层为一组而构成的a组结构；<...
【专利技术属性】
技术研发人员：张骏，蔡洪艳，郑阳，李坤袁，张旭东，孙锐，高隽，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34
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。