基于半监督学习的主动显著性目标检测方法技术

本发明专利技术提供了一种基于半监督学习的主动显著性目标检测方法，首先通过设计判决器网络来对样本在显著性目标检测的结果进行不确定性验证，其次，训练了一个变分自动编码器进行图像重建任务，通过比较无标签数据在其隐空间中的特征向量之间的相似性，从中选择最具代表性的数据并给予完整的显著性标注。重复该过程直到获得预先设定好数量的含标签数据，在此过程中利用不同类型的数据分别对显著性目标检测网络进行训练优化。本发明专利技术能够在仅有少量的标签数据的情景下获得与全监督学习算法相近的性能结果。

【技术实现步骤摘要】
基于半监督学习的主动显著性目标检测方法
本专利技术属于计算机视觉与机器学习领域，特别涉及一种显著性目标检测方法，可在训练集标签数据不足的情况下利用全卷积神经网络生成精确完整的显著性图。
技术介绍
显著性目标检测旨在从输入图像上识别出最引人注目的对象。在显著性检测算法当中，PiCANet学习每个像素的信息性上下文特征，然后将其嵌入到UNet结构中，整合全局上下文信息和多尺度的局部上下文信息来提升显著性检测性能。Amulet方法首先将多级特征整合到多个分辨率下，然后在每一个分辨率下进一步进行特征整合得到显著性预测，再进行显著性融合得到最终的显著性图像。为了更好的多级特征，Zhang等人提出了PAGRNet与通道注意力机制与空间注意力机制，利用多级递归反馈方案，选择性地集成多层特征的上下文信息，逐步增强显著性预测图。在深度卷积网络中，图像经过主干特征提取网络得到一系列不同级别的感知特征。针对显著性预测的细化方面，Qin等人设计的BASNet网络对网络前端的UNet结构得到的显著性预测利用了残差网络进行优化。但显著性模型本文档来自技高网...

【技术保护点】
1.一种基于半监督学习的主动显著性目标检测方法，其特征在于，包括以下步骤：/n(1)设计变分自编码器、判决器网络和显著性目标检测网络；/n(2)利用无标签数据构成的训练数据集对变分自编码器进行图像重建任务训练，通过卷积操作将图像编码之后得到一个低维的隐空间向量z，并对图像的特征进行分布拟合，然后利用隐空间特征向量通过由反卷积操作和上采样操作组成的解码器部分中对图像进行重建；/n(3)在获得有标签数据集和无标签数据集的情况下，对显著性目标检测网络、判决器网络进行联合训练，其中，显著性目标检测网络以RGB图像作为输入，生成像素级的单通道显著性图；判决器网络以显著性图和RGB图像的级联为输入，生成像...

【技术特征摘要】
1.一种基于半监督学习的主动显著性目标检测方法，其特征在于，包括以下步骤：
(1)设计变分自编码器、判决器网络和显著性目标检测网络；
(2)利用无标签数据构成的训练数据集对变分自编码器进行图像重建任务训练，通过卷积操作将图像编码之后得到一个低维的隐空间向量z，并对图像的特征进行分布拟合，然后利用隐空间特征向量通过由反卷积操作和上采样操作组成的解码器部分中对图像进行重建；
(3)在获得有标签数据集和无标签数据集的情况下，对显著性目标检测网络、判决器网络进行联合训练，其中，显著性目标检测网络以RGB图像作为输入，生成像素级的单通道显著性图；判决器网络以显著性图和RGB图像的级联为输入，生成像素级单通道置信图，该置信度图表明网络判断该显著性图为真值结果的概率；所述的显著性图带有人为标定的真值标签或根据显著性目标检测网络的预测结果确定；
(4)对所有的无标签数据得到的显著性预测进行置信度估计，计算置信度图各点值的平均值作为置信度，并根据置信度降序选择若干个数据组成候选数据子集；
(5)根据预训练好的基于变分自编码器的图像重建网络，将有标签数据集和候选数据子集的隐空间特征向量分别定义为zl和zu；对于候选数据子集中的每个图像，计算其与有标签数据集的数据在特征空间的特征向量的余弦相似性；以余弦相似性值进行升序排列，并选择前若干名的数据给予显著性图...

【专利技术属性】
技术研发人员：戴玉超，刘博文，吕韵秋，李艾轩，何明一，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61