一种基于弱监督学习的协同显著性检测方法技术

本发明专利技术公开了一种基于弱监督学习的协同显著性检测方法。本发明专利技术包括以下步骤：步骤(1)深度神经网络的构建和预训练；步骤(2)弱监督数据集的划分；步骤(3)显著性图像样本增强；步骤(4)协同显著性图的预测。使用弱监督的方式隐式地抓取图像间的协同特征，使用样本图像增强的方式增加神经网络的鲁棒性。协同显著性检测中，如何利用好图像间的协同特征是关键的，本发明专利技术使用约50％的样本输入到神经网络中进行训练微调隐式获取图像间的协同特征。同时存在图像样本中显著性目标在像素层面所占的比例较小的情况，不利于神经网络的训练和微调，本发明专利技术使用一种图像样本增强的手段来克服这一点，来实现对一组图像中显著性目标的预测。

【技术实现步骤摘要】
一种基于弱监督学习的协同显著性检测方法
本专利技术属于计算机视觉领域，具体涉及一种基于弱监督学习的协同显著性检测方法。
技术介绍
显著性检测是计算机视觉领域的一个研究热点，在相关研究方向中有着广泛的应用，如行人重识别、基于内容的视频压缩、图像质量评估以及目标检测和分割等，它已引起越来越多的关注。协同显著性是在视觉显著性发展过程中的另一个新兴的研究分支。在近几年来逐步成为计算机视觉领域的热点问题。许多成像设备，例如数码相机和智能手机，都能够采集大量的图像或视频数据。尤其照片共享网站例如Flickr和Facebook，增加了此类数据的访问量。因此，如今人们更有可能面对大量的图像，这些图像通常尺寸巨大并且共享共同的对象或事件。与单个图像相比，一组图像包含更丰富，更有用的信息。在图像组内，可以使用频繁出现的图案或主要前景来表示图像组的主要内容。因此，需要建立有效的计算系统为机器赋予此类功能，促进协同显著性任务的发展。协同显著性所研究的内容是多幅图像之间显著物体的协同检测。一方面，协同显著性需要借助传统的视觉显著性检测方法对单一图像进行显本文档来自技高网...

【技术保护点】
1.一种基于弱监督学习的协同显著性检测方法，其特征在于包括以下步骤：/n步骤(1)深度神经网络的构建和预训练；/n步骤(2)弱监督数据集的划分；/n步骤(3)显著性图像样本增强；/n步骤(4)协同显著性图的预测。/n

【技术特征摘要】
1.一种基于弱监督学习的协同显著性检测方法，其特征在于包括以下步骤：
步骤(1)深度神经网络的构建和预训练；
步骤(2)弱监督数据集的划分；
步骤(3)显著性图像样本增强；
步骤(4)协同显著性图的预测。


2.根据权利要求书1所述的一种基于弱监督学习的协同显著性检测方法，其特征在于所述的步骤(1)具体实现如下：
所述的深度神经网络即边缘感知显著性目标检测网络BASNet；所述的预训练是在基于BASNet的原有参数下，再使用协同显著性检测数据集进行训练实现模型微调；所述的的数据集为协同显著性检测领域中较常见的三个数据集CoSal2015、Coseg-Rep、PASCAL，合并后作为网络预训练的输入，然后使用BASNet的公开训练参数进行训练得到BASNet的网络内部参数A。


3.根据权利要求书2所述的一种基于弱监督学习的协同显著性检测方法，其特征在于所述的步骤(2)具体实现如下：
选取的测试数据集是协同显著性检测常见的三个：iCoseg、MSRC、CoSOD3k，具体划分步骤如下：
对于一个协同显著性检测数据集D，图像有N个类别，即D＝{C1,C2,...,CN}，其中每个类别有数量不等的样本图片；Ci中有M个图像样本，即其中表示具有mp个像素点的图像样本，表示具有mp个像素点的二进制真值图；表示显著目标像素，表示背景像素；
每个类别随机选取floor(M/2)个图像样本作为训练集，剩余的M-floor(M/2)个图像样本作为测试集；floor(*)表示向下取整的操作；得到：



其中

和...

【专利技术属性】
技术研发人员：周晓飞，贺熠凡，张继勇，孙垚棋，颜成钢，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33