基于多策略和交叉特征融合的显著物体检测方法技术

本发明专利技术公开了一种基于多策略融合的显著性物体检测方法，涉及深度学习领域。其在训练阶段，构建卷积神经网络，其隐层包括10个神经网络卷积块、5个多策略融合块、4个交叉特征融合块；使用原始的RGB彩色图和Depth深度图输入到卷积神经网络中进行训练，得到对应的显著体检测图；再通过计算原始的预测图与对应真实的显著体标签图(Ground Truth)的损失函数值，获得卷积神经网络分类训练模型的最优权值矢量和偏置项；在测试阶段，将待检测的显著体的RGB彩色图和对应的Depth深度图一起输入到卷积神经网络分类训练模型中，得到预测显著体检测图像；优点是提高了RGB‑D显著体检测效率和准确度。

【技术实现步骤摘要】
基于多策略和交叉特征融合的显著物体检测方法
本专利技术涉及深度学习领域，更具体的说是涉及一种基于多策略和交叉特征融合的显著物体检测方法。
技术介绍
显著目标检测(SOD)作为一种强大的预处理工具，在众多的计算机视觉任务中扮演着重要的角色，从自然图像中识别吸引注意对象的人类视觉注意机制。它有很多应用，如自动驾驶，机器人导航、视觉跟踪、图像检索、美学评估和内容感知图像编辑。受到进步的鼓舞在知觉心理学中，早期的模型使用启发式先验和手工制作的特征，如对比距离变换。然而，在复杂的场景下，它们的检测性能严重受限。近期研究已经证明了深度学习技术，特别是卷积神经网络(ConvolutionalNeuralNetworks,CNNs)尤为突出擅长从图像区域中提取语义特征来理解视觉概念，并取得了显著的效果。采用深度学习的语义分割方法，直接进行像素级别端到端(end-to-end)的语义分割，其只需要将训练集中的图像输入进模型框架中训练，得到权重与模型，即可在测试集进行预测。卷积神经网络的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征。本文档来自技高网...

【技术保护点】
1.一种基于多策略和交叉特征融合的显著物体检测方法，其特征在于，包括以下步骤：/n选取多幅数据集的RGB彩色图，Depth深度图和GroundTruth标签图，构成训练集；/n构建卷积神经网络，所述卷积神经网络采用自顶向下的高级特征监督低级特征融合的方式；/n将所述训练集输入到所述卷积神经网络，对所述卷积神经网络训练；/n多次训练，得到卷积神经网络模型。/n

【技术特征摘要】
1.一种基于多策略和交叉特征融合的显著物体检测方法，其特征在于，包括以下步骤：
选取多幅数据集的RGB彩色图，Depth深度图和GroundTruth标签图，构成训练集；
构建卷积神经网络，所述卷积神经网络采用自顶向下的高级特征监督低级特征融合的方式；
将所述训练集输入到所述卷积神经网络，对所述卷积神经网络训练；
多次训练，得到卷积神经网络模型。


2.根据权利要求1所述的一种基于多策略和交叉特征融合的显著物体检测方法，其特征在于，所述卷积神经网络引入深度优化模块提高图像质量，将多策略融合模块得到的特征图经交叉融合模块的交叉融合，捕获联合特征。


3.根据权利要求2所述的一种基于多策略和交叉特征融合的显著物体检测方法，其特征在于，所述深度优化模块的结构如下：
第一个最大池化层，第一个卷积块，第一个激活层，第二个卷积块和第二个激活层依次连接后与所述第一个最大池化层做像素相乘后输入到第二个最大池化层，所述第二个最大池化层后依次连接有第三个卷积块和第三个激活层，所...

【专利技术属性】
技术研发人员：周武杰，孙帆，强芳芳，许彩娥，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33