一种基于超大感受野特征优化的显著性目标检测方法技术

本发明专利技术属于计算机视觉领域，提供了一种基于超大感受野特征优化的显著性目标检测方法，包括以下步骤：1)将ResNet‑50作为主干框架对RGB图像提取多尺度特征信息然后进行编码；2)利用超大感受野特征机制优化多尺度特征生成高质量特征；3)利用隐形关系特征融合机制将优化后的特征进行互补性融合，然后生成最终显著性图。与现有的技术相比，本发明专利技术基于超大感受野特征优化的显著性检测方法利用超大感受野优化多尺度特征并进行隐形关系特征融合，多尺度特征逐层优化生成高性能显著性图。

【技术实现步骤摘要】
一种基于超大感受野特征优化的显著性目标检测方法
：本专利技术涉及图像处理领域，具体来说，涉及了一种基于超大感受野特征优化的显著性目标检测方法。
技术介绍
：本部分的陈述仅仅是涉及到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。随着互联网技术、多媒体技术以及数码产品的快速普及，数字图像已经成为人们从外界获取信息的重要载体。而这就意味着，高效快速地处理大量的数字图像数据成了一个至关重要的问题。计算机同时处理数字图像中的所有细节信息是非常低效的。如果将有限的计算机资源分配给图像中的显著性目标区域，那么将大大提高计算机处理数字图像的效率。因此，显著性目标检测准确定位显著性目标并完整地将其从背景中分割出来的研究成为计算机视觉领域一个非常重要的研究方向。这个研究内容在图像分割、视觉追踪、场景分类、图像和视频压缩、目标识别等多个视觉领域研究都具有重要的意义。当下的显著性目标检测算法主要分为两类，一类是基于视觉刺激驱动的传统显著性目标检测，主要是利用支持向量机、贝叶斯网络等传统学习方法。另一类是基于数据驱动的深度学习显著性目标检测，主要是利用卷积神经网络、全卷积神经网络、循环神经网络等神经网络方法。基于视觉刺激驱动的传统显著性目标检测方法主要是利用一些低级的视觉先验信息(如颜色、纹理、对比度等)进行显著性目标检测。虽然，传统的显著性检测方法利用低级视觉先验信息可以初步定位出显著性目标，然而当背景环境复杂时传统的显著性目标检测方法效果较差，很难准确定位显著性目标并完整地将其从背景中分割出来。随着，硬件的不断发展，基于数据驱动的深度学习方法开始广泛流行，基于深度学习的显著性目标检测方法也开始了高速发展。与传统的显著性目标检测方法相比，基于深度学习的显著目标检测方法可以利用深层次神经网络提取高级语义信息，而高级语义信息对于准确地定位显著性目标至关重要。虽然，基于深度学习的显著性目标检测方法，相较于传统的显著性目标检测有了很大的提升。然而显著性目标在不同的场景下尺度复杂多变且类别不固定，使得很难准确地定位显著性目标并完整地从背景中分割出来。研究发现高层次语义特征，对于高效地定位显著性目标并完整地从背景中分割出来至关重要。当下的很多方法通过增加感受野的方法来进一步提取高层次语义特征。然而，利用卷积层的堆叠、较大的卷积核或直接使用空洞卷积增大感受野的方式进一步提取语义特征的操作效果并不佳。
技术实现思路
：为了解决上述问题，本专利技术提出了一种基于超大感受野特征优化的显著性目标检测方法，设计混合式增大感受野特征优化机制，通过并行不同尺度的卷积核，与不用填充率的空洞卷积操作，进一步提取主干ResNet-50框架生成特征的高层次语义信息，然后进行融合使得可以高效准确定位显著性目标；其次设计隐形关系特征融合机制，对于上一步中优化的特征进行基于隐形关系逐层次融合对于不同尺度的特征进行互补性融合，生成最终显著性图。使得网络可以从复杂背景中准确地定位显著性目标并完整地将其分割出来。本专利技术的技术方案是提供了一种基于超大感受野特征优化的显著性目标检测方法，该方法包括以下步骤：1.一种基于超大感受野特征优化的显著性目标检测方法，其特征在于，该方法包括一下步骤：(1)将ResNet-50作为主干框架对RGB图像提取多尺度特征信息然后进行编码；(2)利用超大感受野机制优化多尺度特征生成高质量特征；(3)利用隐形关系特征融合机制将优化后的特征进行互补性融合，然后生成最终显著性图。2.根据权利要求1所述的基于超大感受野特征优化的显著性目标检测方法，其特征在于：所述步骤(1)具体方法是：2.1)收集显著性目标检测领域常用的RGB图像数据集，MSRA-10K数据集、SOD数据集、ECSSD数据集、HKU-IS数据集、PASCA-S数据集。2.2)将HKU-IS和MSRA-10K数据集作为训练数据集，将PASCA-S数据集、SOD数据集、THUS数据集、ECSSD数据集作为测试数据集。2.3)将预训练好的ResNet-50作为主干框架从输入RGB图像数据集提取多尺度特征，然后对多尺度特征进行编码(Res_1、Res_2、Res_3、Res_4、Res_5)3.根据权利要求1所述的基于超大感受野特征优化的显著性目标检测方法，其特征在于：所述步骤(2)具体方法是：3.1)将多尺度特征输入超大感受野特征优化机制，输入特征和相关侧输出特征通过卷积核为1×1、3×3、1×5和5×1、1×7和7×1的卷积操作生成特征(T1、T2、T3、T4)。其中Convi(i＝1,3,5,7)分别为卷积核为1×1、3×3、1×5和5×1、1×7和7×1的卷积操作,Res_i为从ResNet-50中提取的多尺度特征，up(x)为上采样操作。3.2)步骤3.1中生成特征T1、T2、T3、T4分别输入到卷积核为3×3，其填充率分别为(0，2，4，8)，并利用空洞卷积操作生成特征Z1、Z2、Z3、Z4。Zi＝astrous(Ti)其中i＝1，2，3，4，astrous(x)为卷积核大小为3×3其填充率分别为(0，2，4，8)的空洞卷积操作。3.3)步骤3.2种生成特征Z1、Z2、Z3、Z4、Res-i进行特征聚合生成优化后的特征Pi(i＝1，2，3，4，5)Pi＝concat(Res_i+up(Z1)+up(Z2)+up(Z3)+up(Z4))其中concat(x)为特征聚合操作，Res_i(i＝1，2，3，4，5)为ResNet-50中提取的多尺度特征，up(x)为上采样操作。4.根据权利要求1所述的基于超大感受野特征优化的显著性目标检测方法，其特征在于：所述步骤(3)具体方法是：4.1)将超大感受野特征优化机制中生成的特征P1、P2、P3、P4、P5输入到隐形关系特征融合机制多尺度特征进行层次性融合，生成高质量特征F1、F2、F3、F4、F5。其中concat(x)为特征聚合操作，up(x)为上采样操作。4.2)将生成的F1利用卷积核大小是1×1的卷积操作和sigmoid(x)函数生成最终显著性图M。M＝s(conv1(F1))其中s(x)是sigmoid(x)函数，conv1(x)是卷积核为1×1的卷积操作。本专利技术的优势：本专利技术充分利用了从ResNet-50主干框架中中提取的多尺度特征，利用大感受野特征优化机制充分提取多尺度特征信息，更进一步提取高层次语义信息融合提高显著性目标检测准确率；同时隐形关系特征融合机制，特征通过隐形关系多尺度特征逐层次融合进行多尺度特征之间的隐形关系互补性融合，进一步增强特征质量，优化显著性目标边缘信息，最终生成高性能显著性图。与现有的显著性目标检测方法相比具有良好的效果。附图说明图1整体网络流程图图2网络训练模式图图3隐形关系特征融合机制图4超大感受野特征优化机制具体实施方式下面将结合本文档来自技高网...

【技术保护点】
1.一种基于超大感受野特征优化的显著性目标检测方法，其特征在于，该方法包括一下步骤：/n(1)将ResNet-50作为主干框架对RGB图像提取多尺度特征信息然后进行编码；/n(2)利用超大感受野特征机制优化多尺度特征生成高质量特征；/n(3)利用隐形关系特征融合机制将优化后的特征进行互补性融合，然后生成最终显著性图。/n

【技术特征摘要】
1.一种基于超大感受野特征优化的显著性目标检测方法，其特征在于，该方法包括一下步骤：
(1)将ResNet-50作为主干框架对RGB图像提取多尺度特征信息然后进行编码；
(2)利用超大感受野特征机制优化多尺度特征生成高质量特征；
(3)利用隐形关系特征融合机制将优化后的特征进行互补性融合，然后生成最终显著性图。


2.根据权利要求1所述的基于超大感受野特征优化的显著性目标检测方法，其特征在于：所述步骤(1)具体方法是：
2.1)收集显著性目标检测领域常用的RGB图像数据集，MSRA-10K数据集、SOD数据集、ECSSD数据集、HKU-IS数据集、PASCA-S数据集。
2.2)将HKU-IS和MSRA-10K数据集作为训练数据集，将PASCA-S数据集、SOD数据集、THUS数据集、ECSSD数据集作为测试数据集。
2.3)将预训练好的ResNet-50作为主干框架从输入RGB图像数据集提取多尺度特征，然后对多尺度特征进行编码(Res_1、Res_2、Res_3、Res_4、Res_5)。


3.根据权利要求1所述的基于超大感受野特征优化的显著性目标检测方法，其特征在于：所述步骤(2)具体方法是：
3.1)将多尺度特征输入超大感受野特征优化机制，输入特征和相关侧输出特征通过卷积核为1×1、3×3、1×5和5×1、1×7和7×1的卷积操作生成特征(T1、T2、T3、T4)。



其中Convi(i＝1,3,5,7)分别为卷积核为1×1、3×3、1×5和5×1、1×7和7×1的卷积...

【专利技术属性】
技术研发人员：孙延光，夏晨星，段松松，张海涛，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：安徽;34